VL 7

-widmet sich der Erforschung von Mechanismen intelligenten Problemlösens

-Automatisierung von intelligenten Verhalten

-Maschinen können eigenständig Problemlösungen finden, Entescheidungen treffen

-Maschinelles Lernen ist Lernen aus Erfahrung, Muster in größeren Datenmengen erkennen, Muster vs. Störsignal/Rauschen, Lernprozess Training mit ganz vielen gut annotieren Daten

Künstliche Intelligenz = Progamme, die erfassen, schlussfolgern, sich anpassen und Probleme alleine lösen können

Machine Learning = Algorithmen, die aus Daten lernen und deren Leistung sich verbessert, wenn sie mit immer wieder Daten trainiert wird

Deep Learning = Einsatz von tiefen, mehrschichtigen, künstlichen neuronalen Netzen, die durch riesige Datenmengen lernen

-Große Mengen an unstrukturierten Daten besonders gut auszuwerten

-Muster finden

-Bilder, Videos, genomische Daten

-Eingabeschicht nimmt Signale auf

-Zwischenebenen nehmen Berechnungen vor

-Neurone der Ausgabeschicht repräsentieren die Lösung, Entscheidung und Vorhersage

-Neuronen der Schichten sind miteiander verbunden

-Verbindungen sind gewichtet (durch Training werden Gewichte verändert)

-KNNs sind genau für die Fragestellung anwendbar, für die es trainiert wurde

-Was das System gelernt hat, ist nicht transparent

-Je größer und heterogener die Trainingsdaten, desto besser der Lernerfolg und umso besser die Vorhersagen

-neuronales Netz nur so gut wie die Trainingsdaten

KI-basierte Triage

Chatbots zur Patientenkommunikation

Automatisierte Fehlersuche in Patientenakten

KI-basierte Augmented Reality Anwendungen zur Patientenaufklärung

KI in Smart Medical Devices

Analyse von daten aus wearables

KI basierte Gesundheitsapps

-zugang zu qualitativ hochwertigen Daten

-datenschutzkonforme Erschließdung von an verteilten standorten entstehendenen Gesundheitsdaten

-erklärbarkeit von KI-System und Entscheidungen(wie kommt der auf Ergebnis oft nicht bekannt)

-KI als Bedrohung des Arztberufes

Künstliche Intelligenz (KI) unterstützt die Medizin durch:

• Frühere und genauere Diagnosen (z. B. in der Radiologie oder Pathologie)

• Personalisierte Therapien durch Datenanalyse

• Entlastung des Personals bei Routineaufgaben

• Schnellere Auswertung großer Datenmengen (z. B. genetischer oder bildgebender Daten)

• Optimierung von Prozessen in Klinik und Forschung

Datenquellen:

• Bildgebung (z. B. MRT, CT, Röntgen)

• Labordaten & Blutwerte

• Genomik / molekulare Diagnostik

• Elektronische Patientenakten

• Wearables & Sensoren (z. B. Herzfrequenz, Schlaf)

• Studien- und Registerdaten

Warum analysieren mit KI?

• Datenmengen sind zu groß und komplex für Menschen

• KI erkennt Muster, Zusammenhänge und Anomalien schneller

• Ermöglicht personalisierte Medizin und bessere Entscheidungen

• Unterstützt Prävention, Diagnostik und Therapieoptimierung