Patient-specific diagnostic AI-systems via One-shot Domain Adaptation
Durch die zunehmende Größe von Bilddatenbanken, leistungsfähigere Computer und die stetige Neu- und Weiterentwicklung der Algorithmen und Trainingsmethoden werden durch Deep Learning immer bessere Ergebnisse erzielt. Problematisch ist, dass diese maschinellen Lernverfahren oft in einem künstlich geschaffenen Umfeld entwickelt und evaluiert werden, was den darauf folgenden translationalen Schritt in die Praxis erschwert. Ein bekanntes aber bis dato ungelöstes Problem ist die mangelhafte Generalisierbarkeit und Übertragbarkeit von neuronalen Netzen auf sehr kleine Datensätze, die einer anderen Verteilung als die der Trainingsdatensätze unterliegen. Dies trifft auf viele Anwendungen zu, in denen nur eine begrenzte Menge an Trainingsdaten vorhanden ist. In der Medizin treten viele davon auf, beispielsweise bei der Erkennung von Hautkrebs. Die vorliegenden Daten unterliegen Verteilungen, die von den Arztpraxen und deren Messsystemen sowie den Eigenschaften der Patienten abhängen.
Im Projekt PSDAI sollen motiviert durch dieses Anwendungsproblem Methoden des sogenannten Few-Shot-Learnings und Domain-Adaptation kombiniert und zu einem neuartigen Verfahren entwickelt werden. Das neue Verfahren soll die patientenspezifische Informationen während des Vorhersageschritts des neuronalen Netzes nutzen, um die Generalisierung auf die neue Verteilung des kleinen Datensatzes zu verbessern. Losgelöst von der Anwendung in der Medizin sind Domain-Adaptation und Few-Shot-Learning hochrelevante Forschungsthemen auf dem Gebiet des maschinellen Lernens. Dieses Projekt bietet die Möglichkeit, bestehende Ansätze aus anderen Szenarien und für andere Szenarien weiterzuentwickeln und sie für die Verbesserung der Generalisierbarkeit zu adaptieren.
Laufzeit: 01/2022 - 06/2024
Fördermittelgeber: HGF
Partner: DKFZ - Deutsches Krebsforschungszentrum
Ansprechperson: Sireesha Chamarthi