DFKI News 51 d

DFKI und Inria auf der Vivatechnology DFKI und Inria auf der Viva Technology 2023 2023 jährt sich die Unterzeichnung des Élysée-Vertrags zum 60. Mal. Das ganze Jahr steht deshalb im Zeichen der deutsch-französischen Freundschaft und Verständigung. Im Jubiläumsjahr präsentieren DFKI und Inria zusammen mit acht wei- teren akademischen Partnern und den Ländern Nordrhein-Westfalen und Saarland im Deutsch-Französi- schen Lab, Stand D11, auf der Tech- und Start-up Messe Viva Technology, 14. - 17. Juni 2023, Forschungsthe- men, Partnerprojekte und Start-ups. Inria und DFKI kooperieren im Rah- men einer gemeinsamen strategi- schen Forschungs- und Innovations- agenda in den Bereichen KI für Indus- trie 4.0, KI-Infrastrukturen, KI und Cybersicherheit, Mensch-Roboter- Interaktion und Gesundheit. Als treibende Kraft der deutsch- französischen Zusammenarbeit im Bereich der Künstlichen Intelli- genz vernetzen Inria und das DFKI deutsche und französische KI- Forschende enger miteinander und bringen die Forschung für eine KI voran, die dem Menschen nutzt und die europäischen Grundwerte berücksichtigt. Besuchen Sie uns auf der Viva Technology! www.vivatechnology.com www.vivatechnology.com www.vivatechnology.com

03 L A I R O T I D E 3 2 0 2 / 1 s w e N I K F D KÜNSTLICHE INTELLIGENZ IN DER MEDIZIN KI ﬁndet breite Anwendung in der Industrie, im Alltag und zunehmend in der Wissensarbeit. Auch in der Medizin und im Gesundheitswesen hält Künstliche Intelligenz Einzug. In der medizinischen Praxis kann KI bei vielfältigen Aufgaben assistieren. Im Labor ist die KI-gestützte Analyse ein wesentliches Hilfsmittel zur Diagnose von Krankheiten und zur Entwicklung von Medikamenten. Im Sartorius-Transferlab am DFKI werden Verfahren zur Prüfung von Wirkstoffen und deren Auswirkungen zur konkreten Einsatzreife gebracht (S. 18). KI analysiert große Mengen an medizinischen Daten und erkennt Strukturen, die für bestimmte Krank- heiten oder Zustände charakteristisch sind. Verfahren der Mustererkennung scannen Ergebnisse medizinischer Bildgebungstechniken, segmentieren diagnoserelevante Merkmale oder identiﬁzieren Anomalien (S. 8). Data Science wertet Patientendaten aus und berechnet daraus Wahrscheinlichkeiten für den Verlauf von Krankheiten oder das Auftreten von Rückfällen (S. 11). Mit prädiktiven Verfahren wird versucht, die Entwicklung des Gesundheitszustandes und der Lebensqualität bei chronisch Erkrankten oder den The- rapieverlauf zu prognostizieren (S. 14, S. 24). Mithilfe leistungsstarker Datenstrukturen wie Wissensgra- phen forscht das Cluster für Atherothrombose und individualisierte Medizin curATime (S. 22) an maß- geschneiderten Behandlungsmethoden und Präventionskonzepten für Herz- und Gefäßerkrankungen. Die technologische Basis dieser Verfahren, Deep Learning, erzielt gute Ergebnisse nur bei großen Datenmengen. Synthetische Daten, Verfahren zur einfachen und sicheren Anonymisierung sowie Da- tentreuhandstrukturen erhöhen die Verfügbarkeit medizinischer Daten und können den Einsatz von KI in der Medizin erheblich vorantreiben (S. 12, S. 15). Ein breites Spektrum an Anwendungen eröffnet 6G, die sechste Generation drahtloser Netzwerktech- nologie, die in Kombination mit KI-Techniken neue Möglichkeiten wie Tele-Konsultationen oder sogar chirurgische Eingriffe aus der Ferne ermöglicht (S. 28). Durch assistive Robotik und intelligente Bedienkonzepte unterstützen KI-Verfahren auch im pﬂege- rischen Alltag (S. 26). Wearables monitoren den Heilungsprozess bei orthopädischen Behandlungen und sensorische Kleidung motiviert zu körperlicher Aktivität oder physiotherapeutischen Übungen (S. 32). KI-Systeme in der Medizin tragen zu besseren Behandlungsergebnissen und zu einer verbesserten Pa- tientenversorgung bei, aber sie ersetzen die menschliche Expertise nicht und ihre Ergebnisse müssen nachvollziehbar sein (S. 6). In der medizinischen Praxis sind sie Werkzeuge, die das medizinische Fach- personal entlasten und die Patientinnen und Patienten bei der Genesung unterstützen. Prof. Dr. Antonio Krüger Helmut Ditzer Prof. Dr. Prof. h.c. Andreas Dengel Prof. Dr. Joachim Hertzberg Prof. Dr. Dr. h.c. Frank Kirchner Prof. Dr. Philipp Slusallek

05 T L A H N I 3 2 0 2 / 1 s w e N I K F D H b m G g n o r T © m o c KI e t o m a r p © k c o t s , . e b o d a . 24 Mit KI die Lebensqualität verbessern: DFKI entwickelt in EU-Projekten perso- nalisierte Gesundheitsprognosen für an Krebs und COPD erkrankte Personen 26 KI und Robotik für die Pﬂege: DFKI entwickelt intelligente Roboterarm- steuerung und Konzept für innovatives Pﬂegebettsystem 28 Die Sechste Generation Mobilfunk als Schlüsseltechnologie im Medizin- bereich – 6G-Health 30 Künstliche Intelligenz und Gesundheits- themen im Herzen Europas Impressum 51. Ausgabe, Mai 2023, ISSN 2196-2251 Herausgeber Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) Redaktion Heike Leonhard, Christof Burgard, Reinhard Karger, Armindo Ribeiro, Laura Brandt Redaktionsanschrift Saarland Informatics Campus D3 2, Stuhlsatzenhausweg 3, D-66123 Saarbrücken E-Mail news@dfki.de Telefon +49 681 85775 5390 Fotonachweis DFKI, wenn nicht anders vermerkt. Titel: metamorworks, stock.adobe.com Layout, Graﬁk Christof Burgard Korrektorat Armindo Ribeiro, Laura Brandt Produktion One Vision Design V.i.S.d.P. Heike Leonhard, M.A. Erscheinungsweise halbjährlich News online www.dfki.de/dfki-news t l a h n 44004400 II I

06 D F K I N e w s 1 / 2 0 2 3 NACHVOLLZIEHBARE KI IN DER MEDIZIN Die Bundesregierung ist bestrebt, sowohl Forschung und Entwicklung als auch deren Anwendung von Künstlicher Intelligenz (KI) in Deutschland und Europa auf ein weltweit führendes Niveau zu bringen. Ende Juli 2018 wurden die Eckpunkte für eine KI-Strategie erstmals veröffentlicht. Im DFKI, dessen Forschung seit jeher anwendungsfokussiert ist, stellen sich vor allem folgende Fragen: Welche Bedeutung hat KI für das Gesundheitswesen? Welche Potenziale birgt sie und wo liegen ihre Grenzen? Wie wichtig ist die Nachvollziehbarkeit? Beleuchtet werden Ausgangssituation, Handlungsfelder und Transfer in die medizinische Versorgung vor dem Hintergrund der KI-Forschung im DFKI-Forschungsbereich Interaktives Maschinelles Lernen (IML) und in Deutschland. Mit der Verfügbarkeit höherer Rechenleistung und der Fokussierung auf spezielle, realitätsnahe Aufgaben – z. B. Bilderkennung in der Dermatologie mit über 100.000 Bil- dern oder auf Röntgenaufnahmen mit über 80.000 Bil- dern - ist davon auszugehen, dass sich die KI-Forschung in den nächsten zwei bis drei Jahren erfolgreich etablieren wird. Dazu müssen drei inhaltliche Problemstellungen ge- klärt werden: die robuste Vorhersage, die Abdeckung der Krankheitsfälle der Entscheidungsunterstützung und die Nachvollziehbarkeit der Handlungsentscheidungen. Die ersten beiden Challenges beziehen sich auf die Qualität und Verfügbarkeit von Trainingsdaten. Computergestützte Hilfssysteme, die Ärztinnen oder Pa- tienten bei der Vor-Interpretation von Krankheiten un- terstützen können, bieten die Chance auf eine dringend notwendige Entlastung von Patientinnen, Ärzten und des Gesundheitssystems insgesamt. KI-Anwendungen für spe- zielle onkologische Krankheitsfälle sind deswegen vielver- sprechend. Ein Beispiel ist die Dermatologie mit bestimm- ten Untererkrankungen. Entscheidend für die erfolgreiche Anwendung von KI sind der Zugang zu Daten und die In- tegration in komplexe medizinische Dienstleistungen im klinischen und nicht-klinischen Umfeld.

07 3 2 0 2 / 1 s w e N I K F D In den aktuellen Projekten Ophthalmo-AI (BMBF) und pAItient (BMG) sind diese und ähnliche Nachvollzieh- barkeitsaspekte dann erfolgreich ausgebaut worden (siehe S. 8-10). „Einige Datentöpfe stehen schon für KI-Anwendungen bereit, vor allem im Bereich der Bildverarbeitung. Es gibt bereits Prototypanwendungen, die mithilfe hochqualita- tiver Daten einer klinischen Studie im BMWK-Projekt KDI (Klinische Datenintelligenz) realisiert wurden“, bilanziert Daniel Sonntag mit Blick auf die Praxis und den KI-Trans- fer am DFKI im Bereich der Medizin: „Viele ähnliche Ent- scheidungsunterstützungssysteme wären heute schon möglich, wenn Datenpartnerschaften zwischen Kliniken und Forschungsinstituten existierten und die Nachvoll- ziehbarkeit der Entscheidungen für den Arzt gewährleis- tet würde. Dann würden die Potenziale des Einsatzes von KI in der Medizin besser ausgeschöpft werden können.“ Auch Analysen von Fehlfunktionen klinischer Entschei- dungsunterstützungssysteme seien unbedingt notwen- dig, ergänzt Sonntag und sagt: „Hierbei soll ein zweiter Aspekt der Nachvollziehbarkeit, die Erklärbarkeit der ML-basierten Methoden, vor allem für die KI-Entwickler gestärkt werden.“ Beide Aspekte, die Erklärbarkeit der ML-Methoden für KI-Experten und die Nachvollziehbarkeit für medizi- nisches Personal sind u.a. Gegenstand des vom Bun- desministerium für Bildung und Forschung geförder- ten Projekts XAINES und ﬂießen in die aktuellen Projekte Ophthalmo-AI und pAItient mit ein. Weitere Informationen https://ai-in-medicine.dfki.de https://iml.dfki.de/demos Kontakt Prof. Dr. Daniel Sonntag Forschungsbereich Interaktives Maschinelles Lernen daniel.sonntag@dfki.de +49 441 99833 7450 „Darum muss die Menge an nutzbaren, qualitativ hochwertigen Daten deutlich erhöht werden. Meiner Auffassung nach wird in Zukunft der Schlüssel zum Erfolg in der Wissens- akquisitionsstrategie liegen. Technologien kön- nen relativ leicht repliziert werden, qualitative Daten nicht, weil sie auf längere Sicht zur Verar- beitung mit KI-Technologien mühsam aufgebaut werden müssen. Darum kann Deutschland län- gerfristig damit punkten, die Erfassung patien- tenrelevanter Basisdaten und anderer digitaler Informationen zum Krankheitsstand zu motivie- ren und auszubauen.“ Prof. Dr. Daniel Sonntag, Leiter Forschungs- bereich Interaktives Maschinelles Lernen Dennoch sei die menschliche Intelligenz der Maschinen- intelligenz in wesentlichen Aspekten, wie Nachvollzieh- barkeit unter Berücksichtigung von Kontextfaktoren und Patientenmodellen, immer noch deutlich überlegen, so Sonntag weiter. Zwar gibt es konkrete Anwendungsfelder für die Integration: Neben Tumorboards sind z. B. die Ver- meidung schmerzhafter Biopsien oder anderer Eingriffe, wie in der Prostata- oder Brustkrebsdiagnostik gute Bei- spiele. Ein weiteres Beispiel ist die Segmentierung und Klassiﬁkation von Weichteilen bis hin zu automatisierten Brustultraschalluntersuchungen. Statistische und neu- ronale Lernverfahren (Deep Learning), die z. B. in der Bild- verarbeitung eingesetzt werden, können aber nur dann robuster und plausibler werden, wenn sie erklärbar und damit nachvollziehbar für den Arzt sind. Daniel Sonntag: „Nachvollziehbare KI in der Medizin rückt somit in den Vordergrund, um den Transfer in die medizinische Ver- sorgung vor dem Hintergrund der KI-Forschung am DFKI und in Deutschland zu gewährleisten.“ Ein Rückblick: Das DFKI beschäftigte sich bereits 2007 mit integrierter semantischer Entscheidungsunterstüt- zung. Das erste Vorhaben war das von der Bundesregie- rung geförderte Projekt THESEUS MEDICO. Nach dem Erfolg von Radspeech, einem Sprachdialogsystem für Radiologen (German High Tech Champion Award 2011) war der Weg zu mehr als zehn weiteren Konsortialpro- jekten geebnet. Im vom Bundeswirtschaftsministeri- um geförderten Projekt KDI (Klinische Datenintelligenz, 2014-2017) wurden erstmals Deep-Learning-Ansätze in die klinische Entscheidungsunterstützung integriert, im EU-Projekt Skincare (HORIZON 2020, 2019-2020) Aspek- te der visuellen Nachvollziehbarkeit. Dabei wurden auf- fällige Muttermale klassiﬁziert und die Bereiche, die das vom DFKI entwickelte KI-System als wichtig einschätzt (blau) der Einschätzung des Arztes gegenübergestellt. m o c . e b o d a . k c o t s , e n a m a h k g n a S k a s g n o h P ©

08 D F K I N e w s 1 / 2 0 2 3 m o c . e b o d a . k c o t s , t o h S - l e x i P © e r e e D n h o J © Im Mittelpunkt des Projekts Ophthalmo-AI stehen die beiden häuﬁgsten Ursachen für die Erblindung von über 50-jährigen Personen: Die altersabhängige Makuladegeneration (AMD) und die Diabetische Retinopathie (DR). Die Entwicklungen sollen künftig Augenärztinnen und Ärzte durch ein intelligentes Assistenzsystem dabei unterstützen, anhand von Bilddaten und klinischen Daten eine korrekte Diagnose zu stellen und die bestmögliche Therapieentscheidung zu treffen. Die altersabhängige Makuladegeneration entsteht durch Alterungsprozesse in den zentralen Netzhautzellen (Ma- kula = Stelle des schärfsten Sehens). Bei jedem Menschen kommt es im Laufe des Lebens zu einer Ablagerung von Zel- labfall in diesem Bereich, bei manchen wachsen irreguläre Blutgefäße aus der Aderhaut unter die Netzhaut. Aus ihnen tritt Flüssigkeit und Blut aus, wodurch die Symptomatik von Verzerrungen und eine fortschreitende Sehminderung ver- ursacht wird (feuchte Form der späten AMD). Eine diabe- tische Retinopathie kann als Folge einer Diabeteserkran- kung auftreten. Auch hier können Blutbestandteile in das Netzhautgewebe austreten. Hieraus können krankhafte Gefäßneubildungen - sogenannte Proliferationen - auf der Netzhaut auswachsen. Aus diesen sehr verletzlichen Ge- fäßen kann es zu kräftigen Einblutungen in das Auge kom- men, die eine Netzhautablösung hervorrufen können. Eine Retinopathie führt häuﬁg zu einer Schwellung (=Ödem) im Bereich der Makula, dem sogenannten diabetischen Maku- laödem, welches zu Sehstörungen führen kann. Die Schichtdarstellung der Netzhaut, die sogenannte Op- tische Kohärenztomographie (OCT), erlaubt es, feinste Veränderungen und Schwellungen wie das Vorliegen von irregulären Blutgefäßen im Bereich der Makula, also der Segmentierungen der diagnoserelevanten Merkmale.

09 3 2 0 2 / 1 s w e N I K F D Stelle der Netzhaut, die für das scharfe Sehen besonders wichtig ist, zu erfassen. Dies ist wichtig zur Diagnose und Therapieüberwachung beider Erkrankungen. Inzwischen stehen neue Medikamente bereit, die das Wachstum von abnormalen Blutgefäßen unterdrücken und die Schwellung der Makula wieder verringern. Diese Medikamente werden direkt in den Glaskörperraum des Auges gespritzt. Man spricht hier von Intravitrealer Medikamenteneingabe, der IVOM. Die IVOM muss in unterschiedlichen, meist monat- lichen Abständen wiederholt werden, bis sich die Sehkraft stabilisiert hat. In der ersten Projektphase werden relevante Informatio- nen sowohl in den Texten der Patientenakten als auch auf Bildern der Netzhautstrukturen für die spätere maschinel- le Verarbeitung mittels eigens entwickelter Tools markiert. Um die Arbeitszeit für diese aufwendigen Annotationen so gering wie möglich zu halten, unterstützt ein DFKI-Tool die Ärztinnen bereits mit Segmentierungsmodellen und spezi- ellen graphischen Algorithmen. Außerdem werden soge- nannte Active Learning Algorithmen eingesetzt, die gezielt solche Bilddaten auswählen, die den größten Nutzen bei der kontinuierlichen Verbesserung der Modelle verspre- chen. Die entstehenden neuronalen Netze dienen in ei- nem zweiten Schritt zur Unterstützung von Diagnosen und Therapievorschlägen und prognostizieren den Therapieer- folg. Damit Ärzte die Entscheidung der KI nachvollziehen können, liefert das System neben der Einschätzung einer vorliegenden Krankheit auch Erklärungen des Resultats in Form von interaktiven Segmentierungskarten der diagno- serelevanten Merkmale. Das entstehende Augmented-Intelligence-System der For- schungsbereiche Interaktives Maschinelles Lernen (IML) und Kognitive Assistenzsysteme (COS) wird in klinischen Demonstratoren auf seine Praxistauglichkeit hin geprüft. Neben der Einbindung des Menschen bei der Annotation der Inputdaten wird hier ein zweiter Aspekt des Human-in-the- loop Konzepts umgesetzt: Durch konstruktives Feedback PROJEKTSTECKBRIEF Konsortium Fraunhofer Institut für Biomedizinische Technik IBMT Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI) (FB COS, IML) Augenklinikum Sulzbach Augenzentrum am St. Franziskus-Hospital Münster LangTec Heidelberg Engineering GmbH Universität des Saarlandes, Lehrstuhl Arbeits- und Organisationspsychologie Fördergeber Bundesministerium für Bildung und Forschung (BMBF) im Rahmen des Förderschwerpunkts „Adaptive Technologi- en für die Gesellschaft – Intelligentes Zusammenwirken von Mensch und Künstlicher Intelligenz“ Volumen 2,7 Mio. € Laufzeit 15.03.2021 - 14.03.2024 der Ärztinnen, etwa durch Korrektur der Segmentierungs- karten, können die Modelle fortlaufend verbessert werden. Die Rückführung von Expertenwissen in Modelle zur Diag- nosestellung und Therapieempfehlung mittels interaktiven maschinellen Lernens stellt wissenschaftlich die Haupt- innovation von Ophthalmo-AI dar, da es in der medizini- schen Bildgebung bisher keine marktreifen Systeme gibt, die alle Aspekte vereinen. State-of-the-Art Techniken zur Visualisierung und Erklärung helfen dabei, Diagnosen und Therapievorschläge eines zugrundeliegenden ML-Modells transparenter zu gestalten. Die Beteiligung des Arztes bei der Verbesserung der Diagnose und Therapievorhersage, sowie die Transparenz des ML-Modells können maßgeb- lich zur Steigerung der Akzeptanz des Systems beitragen. Kontakt Hans-Jürgen Proﬁtlich Forschungsbereich Interaktives Maschinelles Lernen hans-juergen.proﬁtlich@dfki.de +49 681 85775 5265 Annotation pathologischer Merkmale in einem OCT Schnitt der Netzhaut. e r e e D D n h o J ©

m o c . e b o d a . k c o t s , o i d u t S C D © 10 D F K I N e w s 1 / 2 0 2 3 PROJEKT pAI Um KI-Methoden in der Medizin – wie z.B. bei der Krankheitsdiagnose, der personalisierten Medizin oder der schnelleren Medikamentenentwicklung – weiter etablieren zu können, braucht es vernetz- te digitale Daten von Patientinnen und Patienten. Im Verbundprojekt pAItient - Innovationszent- rum mit integrierter, rechtssicherer Umgebung zur Entwicklung, Testung und klinischen Bewertung Kl-basierter Anwendungen soll am Universitätsklinikum Heidelberg ein KI-Innovationszentrum etabliert werden, das eine Pipeline zur Entwicklung von KI-basierten Anwendungen aufbaut und erprobt. Ziel ist es, die Entwicklung von KI-basierten Ansätzen von der Idee bis zur Einführung in die standortübergreifende klinische Routine zu automatisieren. Das DFKI erforscht in diesem Rahmen neben Verfahren zur Erkennung von Diagnosen auf Bilddaten mit Metho- den des Transferlernens, also der Übertragung gelernten Wissens auf einen anderen Bereich, auch die Einbindung weiterer KI-Methoden in die Infrastruktur. Hierbei geht es um die Erprobung und Validierung in zwei Bereichen: Zum einen das Herausﬁltern von medizinisch relevanten Daten aus unstrukturierten Texten, zum anderen um die Analyse von Ultraschallbildern der Halsschlagader im Hin- blick auf die Gefahr eines Herzinfarktes. Im Fokus stehen dabei auch Fragen der Nachvollziehbarkeit der Resultate bzw. der Einbindung der Anwenderinnen und Anwender in Form von Korrekturen der Ergebnisse zur laufenden Ver- besserung der Modelle. Ein Anwendungsbeispiel Generative Modelle in der Verarbeitung natürlicher Spra- che (NLP) sind eine Klasse von Modellen des maschinellen Lernens, die auf der Grundlage von Mustern, die in einem Automatische, nachvollziehbare Zusammenfassung von Radiologieberichten: Hervorhebungen relevanter Passagen im Originaltext (links), die das generative Modell fokussiert, extrahiert und in die Zusammenfassung (rechts) einfügt. PROJEKTSTECKBRIEF Konsortium • Universitätsklinikum Heidelberg (UKHD) • DFKI • Deutsches Krebsforschungszentrum (DKFZ) • MINT Medical GmbH Fördergeber Bundesministerium für Gesundheit (BMG) Volumen 2,1 Mio. € Laufzeit 01.10.2020 - 30.09.2023 Trainingsdatensatz beobachtet wurden, neue Daten er- zeugen können. In diesem Zusammenhang zielt die For- schung in pAItient darauf ab, generative Modelle effektiv für die Erstellung prägnanter Zusammenfassungen von Radiologieberichten – beispielsweise bei drohender Ge- fahr eines Herzinfarktes – einzusetzen. Untersucht wer- den verschiedene Techniken, um die Konsistenz und die Nachvollziehbarkeit der generierten Zusammenfassungen der medizinischen Originaltexte zu erhöhen. Die Nachvoll- ziehbarkeit wird durch das Gegenüberstellen des Textes und der generierten Zusammenfassung mit Hervorhe- bung der relevanten Ausgangsinformationen unterstützt. Zudem ﬁndet eine Veriﬁzierung statt. Denn Zusammen- fassungen, die mit generativen Modellen erstellt werden, können zwar eine hohe statische Genauigkeit erreichen, sind aber möglicherweise nicht leicht zu verstehen oder nicht nachvollziehbar und damit für die vorgesehene Ziel- gruppe ungeeignet. Eine Überprüfung durch medizinische Fachleute soll dem entgegenwirken. Kontakt Hans-Jürgen Proﬁtlich Forschungsbereich Interaktives Maschinelles Lernen hans-juergen.proﬁtlich@dfki.de +49 681 85775 5265

m o c . e b o d a . k c o t s , n a s a h © Jedes Jahr werden in Deutschland ca. 500.000 Krebsdiagnosen gestellt, die mit relevanten klinischen Informationen in den Krebsregistern abgebildet werden. Neben lückenhaften Daten und geringer Ergebnisrückmeldung an onkologisch tätige Ärztinnen und Ärzte, liegt die Kern- problematik in den komplizierten Datenstrukturen bzw. -zugängen und der Verteilung der Krebsregisterdaten in föderalen, dezentralen Länderstrukturen. 11 3 2 0 2 / 1 s w e N I K F D führung und wissenschaftliche Nutzung der Krebsregisterdaten verbessert werden – vor allem geht es darum, für Patientinnen und Patienten die onkologische Versorgungs- qualität zu verbessern. Weitere Informationen www.dfki.de/web/forschung/projekte-publikationen/ projekt/ai-care Kontakt Prof. Dr. Heinz Handels Leiter Forschungsbereich Künstliche Intelligenz in der medizinischen Bildverarbeitung heinz.handels@dfki.de +49 451 3101 5600 Das AI-CARE Konsortium beim Projekt-Kick-off. Das Projekt AI-CARE – Artiﬁcial Intelligence for CAncer REgistration and Research – verfolgt das Ziel, Krebsregisterdaten mit Methoden der Künstlichen Intelligenz so aufzubereiten, zu ver- bessern und zusammenzuführen, dass diese für onkologische Qualitätssicherung und Forschung besser zugänglich gemacht werden können. Das Bundesmi- nisterium für Gesundheit fördert dieses Vorhaben mit 2,5 Mio. Euro für drei Jahre. Am Projekt sind der DFKI-Forschungsbereich Artiﬁcial In- telligence in Medical Imaging (AIMedI) in Lübeck und 13 weitere Verbundpartner beteiligt: Das Universitätsklinikum Eppendorf, die Johann Wolfgang Goethe-Universität Frank- furt, das Robert Koch-Institut, das Leibniz-Institut für Prä- ventionsforschung und Epidemiologie und die Krebsregister Baden-Württemberg, Bremen, Hamburg, Hessen, Mecklen- burg-Vorpommern, Niedersachsen, Saarland und Schles- wig-Holstein. Koordiniert wird das Vorhaben vom Institut für Sozialmedizin und Epidemiologie der Universität zu Lübeck. Neben der Datenaufbereitung für die KI-Nutzbarkeit und Open-Source Bereitstellung der verwendeten KI-Algorithmen wird der Forschungsschwerpunkt des DFKI in dem Verbund- projekt auf der Auswertung der Krebsregisterdaten liegen. In diesem Sinne werden statistischen Modellierungen, wie sie konventionell in der krebsepidemiologischen Forschung konventionell eingesetzt werden, KI-Algorithmen wie Ran- dom Decision Forests sowie Deep Neural Networks gegen- übergestellt. Ziel ist es, die für den Krankheitsverlauf relevan- ten Faktoren zu ermitteln und Ereignisse wie beispielsweise das Auftreten von Erkrankungsrezidiven zu prognostizieren. Das Projekt AI-CARE trägt dazu bei, den Datenaustausch mit den onkologisch tätigen Praxen und Kliniken, mit der geplanten nationalen Plattform der Krebsregister und mit den Entwicklerinnen und Entwicklern von KI-Modellen zu erleichtern. Die Ergebnisse sollen in dauerhaft nutzbare An- wendungen für Krebsregister überführt werden. Mit AI-CA- RE kann nicht nur die Datenqualität, die Datenzusammen-

m o c . e b o d a . k c o t s , e n a m a h k g n a S k a s g n o h P © 12 D F K I N e w s 1 / 2 0 2 3 MEDIZINISCHE DATEN Mehr als drei Viertel (79 Prozent) der Deutschen sind laut einer FORSA-Umfrage bereit, ihre Gesundheitsdaten anonym für die medizinische Forschung zur Verfügung zu stellen. Dennoch ist die mangelnde Verfügbarkeit medizinischer Daten nach wie vor einer der wichtigsten Gründe dafür, dass KI im Branchenvergleich nur langsam in die Medizin einzieht. Leichte und sichere Anonymisierung, synthetische Daten und Datentreuhandstrukturen haben das Potenzial, KI-Forschung und -Entwicklung im Gesundheitssektor voranzubringen und den Knoten der Datenverfügbarkeit zu lösen. Mit dem Aufkommen von ChatGPT hat die mediale Aufmerk- samkeit rund um disruptive und durch KI-Innovation getrie- bene Veränderungen zugenommen. Doch in den meisten Industrien und Lebensbereichen sind diese Veränderungen bereits gelebte Realität. Die großen Anwendungspotenziale in der Medizin reichen von der Entwicklung von Medikatio- nen und Therapien über die Diagnostik und Entscheidungs- unterstützung bis hin zur Unterstützung bei pﬂegerischen Tätigkeiten und in der Administration. Im direkten Vergleich mit anderen Sektoren stecken Forschung und Entwicklung von KI-Anwendungen im medizinischen Bereich jedoch noch in den Kinderschuhen. Einer der Hauptgründe dafür ist die mangelnde Verfügbarkeit von Daten zum Aufbau und Trai- ning der KI-Systeme. Obwohl in den Gesundheitsinformati- onssystemen große Datenmengen verfügbar sind und ein so hoher Bevölkerungsanteil seine Daten anonym der medizi- nischen Forschung zur Verfügung stellen würde, liegen Trai- ningsdaten nur in geringem Umfang vor. Für die Forschung an KI-Systemen in der Medizin ist dies ein Show-Stopper. m o c . e b o d a . k c o t s , a ﬁ a r g o t o f e n o t © Vertrauen schaffen Zur Bereitstellung von Daten für die Forschung sind vertrau- enswürdige Strukturen erforderlich, die den Prozess der An- frage und der Datenakquise vereinfachen und vereinheitli- chen. Datentreuhänder, die zwischen den Bereitstellern der Daten bzw. den Personen, die die Daten betreffen und der datennutzenden Institution, z.B. einem Forschungsinstitut, vermitteln tragen zur Vertrauensbildung bei. Das Teilen und ein hohes Schutzniveau der personenbezogenen Daten müs- sen dabei sichergestellt werden. Im Projekt DaTreFo (Datentreuhänder mit geschützten Da- tenschätzen für die Forschung) soll mit leicht verständlichen, organisatorisch-technischen Methoden eine hohe techni- sche Barriere gegen Daten- missbrauch aufgebaut und so Vertrauen geschaffen werden für eine höhere Bereitschaft zur freiwilligen Datenspen- de. So werden u.a. Revozie- rungswünsche der Datenspen- derinnen und -spender zur Wahrnehmung ihrer informa- tionellen Selbstbestimmung technisch durchgesetzt, verfügbare Daten verschlüsselt und für den Datentreuhänder nicht entschlüsselbar vorgehalten. Die innovative DaTreFo-Lösung soll eine durchgängig ver- schlüsselte und Integrität garantierende Datenablage der „ruhenden Daten“ anbieten sowie Umschlüsselung für be- rechtigte Nutzungszwecke ohne zwischenzeitliche Offen- legung ermöglichen. Zudem soll die von der EU-Kommissi- on im Data Governance Act geforderte Trennung zwischen Datenaufbewahrungsstelle und Datennutzenden mit dem DaTreFo-Projekt erfüllt werden. Das Ergebnis soll eine allge- mein verwendbare Datentreuhandarchitektur zur sicheren Datenaufbewahrung sein.

13 3 2 0 2 / 1 s w e N I K F D m o c . e b o d a . k c o t s , 4 0 8 1 r i i m d a w l © mit der DFKI-Außenstelle Trier eine Plattform, die eine kom- binierte Nutzung von Anonymisierungs- und Synthetisie- rungsmethoden für Personengruppen ohne informations- technischen Hintergrund ermöglicht. Zur Bewertung der Anonymität und Nutzbarkeit der generierten Daten stellt die im KI-AIM-Projekt entwickelte Plattform umfangreiche Evaluationsmethoden bereit, um sicherzustellen, dass die künstlich erzeugten Daten den Datenschutzvorschriften entsprechen. Die Plattform erleichtert somit den Prozess der Bereitstellung normalerweise schwer zugänglicher me- dizinischer Daten und sorgt dafür, dass diese ohne rechtli- che Bedenken für KI-Forschungs- und Entwicklungsprojekte bereitgestellt werden können. Weitere Informationen www.forschung-it-sicherheit-kommunikations- systeme.de/projekte/ki-aim www.dfki.de/web/news/projekt-datrefo Kontakt Prof. Dr. Ralph Bergmann Leiter Themenfeld Erfahrungsbasierte Lernende Systeme Forschungsbereich Smarte Daten & Wissensdienste ralph.bergmann@dfki.de +49 651 201 3876 Joscha Grüger Themenfeld Erfahrungsbasierte Lernende Systeme Forschungsbereich Smarte Daten & Wissensdienste joscha.grueger@dfki.de +49 651 201 4166 Gemeinsam mit der Hochschule Trier und dem Hersteller für Krankenhausinformationssysteme Dedalus entwickelt die DFKI-Außenstelle Trier eine generische Lösung für die Nutzung in Krankenhäusern, die die Bereitstellung medizini- scher Daten insbesondere für die KI-Forschung erleichtert. Anonymisierung und synthetische Daten „Echte Daten“ sind ein wahrer Schatz für die Forschung an KI-Verfahren in der Medizin. Ein Weg, um Daten vertrauens- würdig und rechtssicher zu teilen, ist die Anonymisierung. Dabei werden die Daten transformiert und der Personenbe- zug entfernt – ein aufwändiger und informationstechnisch anspruchsvoller Prozess, der vom medizinischen Personal im Klinikalltag nicht geleistet werden kann. Zudem fehlt die rechtssichere Bewertung des Grads der Anonymität. Ein System, welches es informationstechnischen Laien er- möglicht, medizinische Daten schnell, einfach und intuitiv zu anonymisieren und das eine rechtssichere Bewertung der Anonymität gewährleistet, könnte für mehr Daten in der Forschung sorgen. Sind die Datensätze sehr komplex oder enthalten viele, nicht durch einen Anonymisierungsansatz transformierbare Wer- te, dann sind sie nur mit hohem Informationsverlust ano- nymisierbar. Zudem gibt es nicht immer eine ausreichend große Menge echter Daten, die für eine Anonymisierung be- reitstehen. In diesen Fällen ermöglicht die Synthetisierung die Erzeugung komplett neuer, künstlicher Daten. Zu ihrer Generierung werden häuﬁg statistische Methoden, Simu- lationen oder Methoden aus dem Bereich des Deep Lear- ning eingesetzt, die teils zuvor auf den Originaldaten trai- niert wurden. Die auf diese Weise synthetisch generierten Daten sollen die statistischen Eigenschaften der Original- daten abbilden. Auf dieser Grundlage lassen sich effektive KI-Lösungen erarbeiten. Im KI-AIM-Projekt entwickeln das Uniklinikum Münster, die Charité Berlin und das Unternehmen DATATREE gemeinsam KI-AIM Plattform KI-AIM Plattform Quelldatenverwaltung Anonymisierung Bewertung Datenverwaltung (Verwaltung von Rohdaten, Datenmodellen, Wissensdatenbanken (Ontologien) und Konfigurationsparametern) Datenimport Analyse und Validierung der Rohdaten (Kennzahlen) Konfigura- tion des Anonymisie rungspro- zesses Steuerung des Anonymisierungsprozesses Perturbative Verfahren (Rauschen, Verfälschung) Nicht-Perturbative Verfahren (Generalisierung, Sampling) Reportgenerator (Ausgabe gewählter Verfahren und zugehöriger Nutzen- und Privacybewertung) Synthese mit Generative Wissensbasierte Synthese Adversarial Networks mit Prozessmodellen Nutzenbewertung Privacybewertung

14 D F K I N e w s 1 / 2 0 2 3 MANAGEMENT Nachsorgeplanung im Krankenhaus ist ein komplexer, dynamischer und arbeitsintensiver Prozess. Künstliche Intelligenz kann der Schlüssel zu einer zuverlässigen und kontinuierlichen Planung der Nachsorge sein und helfen, die Qualität im Übergang zur poststationären Versorgung zu verbessern. Krankenhäuser haben die Pﬂicht, ein ef- fektives Entlassmanagement zur Unter- stützung des Übergangs in die Anschluss- versorgung zu gewährleisten. Sie müssen dafür sorgen, dass Patienten und Patientinnen auch nach ihrer Entlassung me- dizinisch angemessen betreut werden und dabei auch sozi- ale Aspekte berücksichtigen. Wird die Planung während des stationären Aufenthaltes nicht kontinuierlich durch das Ent- lassmanagement angepasst, kann es passieren, dass Ent- lasszeitpunkt und Beginn der Nachsorge unter Umständen nicht übereinstimmen, sich Liegezeiten verlängern oder Nachsorgekapazitäten ungenutzt bleiben. Für das Team im Entlassmanagement bedeutet dies erhöhte Ansprüche an die Dokumentation und Kommunikation mit Patientinnen und Patienten, Angehörigen, medizinischem Personal bis hin zu Nachsorgedienstleistern. Methoden der Künstlichen Intelligenz können helfen, ei- nen nahtlosen Übergang vom stationären Aufenthalt in die Nachsorge zu gewährleisten und gleichzeitig das klinische Personal durch Assistenz bei der Planung, Dokumentation und Kommunikation zu entlasten. Im Projekt KIAFlex (Interaktive KI-Assistenz zur prädikti- ven und ﬂexiblen Steuerung im Entlass- und Überleitungs- management) entwickelt das DFKI gemeinsam mit seinen Partnern Nubedian, Empolis, Hochschule Furtwangen, Uni- versitätsklinikum Bonn und Universitätsklinikum Mannheim eine KI-gestützte Steuerung im Entlass- und Überleitungs- management. Die Lösung soll individuellen Nachsorgebe- darf frühzeitig erkennen und damit einen nahtlosen Über- gang vom stationären Aufenthalt in die Nachsorge gewährleisten. Gleichzeitig soll das klinische Personal entlastet wer- den. Eingesetzt wird unter anderem das maschinelle Lern- verfahren des Fallbasierten Schließens. Diese KI-Techno- logie zeichnet sich insbesondere durch die Anwendbarkeit auf geringen Datenmengen und die Aufrechterhaltung der Erklärbarkeit aus. Beides gehört zum erhöhten Anforde- rungsproﬁl der Anwendungsszenarien. Angelehnt an das analogie-basierte Clinical Reasoning werden Lösungen auf der Grundlage ähnlicher Altfälle gesucht und dann für einen aktuellen Patienten adaptiert. KLINISCHER VERSORGUNGSPROZESS Primärsysteme Semantisch integrierte Patientendaten KI-basierte kontinuierliche Prädiktion des Nachsorgebedarfs Flexible semantische Prozesssteuerung und interaktive Kommunikation PLANUNG KOMMUNIKATION DOKUMENTATION Entlass- und Überleitungsmanagement Herausforderungen dabei sind u. a. die Prädiktion des Nachsor- gebedarfs und des Entlassdatums, die Adaption der Nachsor- geplanung, die Erleichterung der Dokumentation durch Recommender, Spracherkennung oder Templates und die Entlastung bei der Kommunikation, z. B. durch Chatbot-Tech- nologien und die Integration der Lösungen in bestehende medizinische Systeme. Weitere Informationen www.kiaﬂex.de Kontakt Prof. Dr. Ralph Bergmann Leiter Themenfeld Erfahrungsbasierte Lernende Systeme Forschungsbereich Smarte Daten & Wissensdienste ralph.bergmann@dfki.de +49 651 201 3876 Joscha Grüger Themenfeld Erfahrungsbasierte Lernende Systeme Forschungsbereich Smarte Daten & Wissensdienste joscha.grueger@dfki.de +49 651 201 4166

15 3 2 0 2 / 1 s w e N I K F D k c e b ü L u z t ä t i s r e v i n U , a t s e t o P n e k m I © ABER SICHER BEREICH BETEILIGT SICH AM Die Menge sensibler medizinischer Daten wächst rasant. Mithilfe maschineller Lernverfahren können große Daten- mengen immer effektiver verarbeitet werden. Aber wie kann dabei die Anonymität der Personen gewahrt werden, die hin- ter diesen Datenmengen stehen? Obgleich die Forschung in den letzten Jahren hier vielversprechende Fortschritte erzie- len konnte, sind aktuelle Anonymisierungslösungen für die meisten medizinischen Anwendungen nicht nutzbar. Genau hier setzt AnoMed an, als eines von bundesweit fünf Kom- petenzclustern Anonymisierung. Das Bundesministerium für Bildung und Forschung hat mit der Förderung des AnoMed-Projekts einen Schwerpunkt auf Anonymi- sierungslösungen in der Medizin gesetzt. Als Verbundvorhaben wird AnoMed mit insgesamt 10 Mio. Euro gefördert und von der Europäischen Union ﬁnanziert. Das AnoMed-Cluster soll sowohl als Katalysator der Anonymisie- rungsforschung für medizinische Anwendungen dienen als auch me- dizinischen Anwendern Gefahren von De-Anonymisierung und Möglichkeiten von neuesten Anonymisierungstechniken aufzeigen. Hierfür wird eine Plattform aufgebaut, auf der weltweit mit verschiedenen medizinischen Daten und neuesten Ergebnissen der Ano- nymisierungsforschung interagiert werden kann. Die dazu notwendigen Daten stammen aus einer Reihe medizinischer Anwendungsszenarien, was die Praxisnähe der behandelten Problemstellungen sicherstellt. Der Lübecker DFKI-Forschungsbereich Künstliche Intelli- genz in der medizinischen Bildverarbeitung (AIMedI) unter der Leitung von Prof. Dr. Heinz Handels befasst sich in Ano- Med mit der Analyse medizinisch-relevanter Videodaten von Personen. Diese wurden zum Zweck der Diagnose, Thera- piebestimmung und Überwachung von Krankheiten aufge- nommen, die speziﬁsche Bewegungsänderungen im Gesicht verursachen. Hierfür sollen anonymisierende maschinelle Lernverfahren entworfen werden, welche die Identität der AnoMed Personen schützen und gleichzeitig einen hohen medizini- schen Nutzen bieten. Der Fokus dieses Forschungsvorhabens liegt dabei auf der anonymisierenden Feinjustierung tiefer neuronaler Netze sowie der Entwicklung breit anwendbarer Merkmalsextraktoren für Videodaten von Personen. Das Cluster untersucht auch rechtliche Fragestellungen und bringt die Potenziale zuverlässiger Anonymisierungstechni- ken für Innovation und neue Behandlungsmethoden in die Medizin und medizintechnische Industrie. Auftakttreffen mit dem schleswig-holsteinischen Digitalisierungsminister Dirk Schrödter. Lübeck bietet durch seine Vernetzung in den Bereichen Medi- zin, Künstliche Intelligenz, IT-Sicherheit und Medizintechnik einen Standortvorteil. Von medizinischer und technologischer Forschung über die gesamte Medizintechnikkette bis hin zu Anwendern und Universitätskliniken sind alle relevanten Ak- teure im Großraum Lübeck-Hamburg-Kiel-Berlin vertreten. Weitere Informationen https://anomed.de Kontakt Prof. Dr. Heinz Handels Leiter Forschungsbereich Künstliche Intelligenz in der medizinischen Bildverarbeitung heinz.handels@dfki.de +49 451 3101 5600

16 D F K I N e w s 1 / 2 0 2 3 KÜNSTLICHE INTELLIGENZ IN DER KÜNSTLICHE INTELLIGENZ IN DER . m o c . e b o d a k c o t s , y ﬂ r e t t u b n e e r g © Künstliche Intelligenz hält nach und nach auch in Kliniken Einzug. Damit rücken eine ganze Reihe ethischer und rechtlicher Fragen in den Mittelpunkt. Wie verändert KI die Rolle von Ärztinnen und Patienten, wenn sie bei Diagnoseverfahren eingesetzt wird? Und wer ist in medizinischen Kontexten für die Folgen KI-gestützter Prozesse verantwortlich? Mit diesen Fragen hat sich ein interdisziplinäres Forschungsteam im vom Bundesministerium für Bildung und Forschung geförderten Projekt vALID beschäftigt. KI in der klinischen Versorgung verspricht, mit computer- gestützten, automatisierten und selbstlernenden Syste- men, Diagnosen und Therapie-Entscheidungen verlässlich und ressourcensparend zu optimieren. Deep Learning ist hierfür die Schlüsseltechnologie. Allerdings funktionieren diese Verfahren oft als Black Box: Sie können Muster in um- fangreichem Datenmaterial besser erkennen als Menschen, bleiben aber aufgrund ihrer Komplexität für Anwender und selbst Softwareingenieurinnen zu einem gewissen Grad undurchdringlich. rentransplantation weiter und evaluierte es im Rahmen einer Studie. Das System sollte mögliche Risiken wie Transplan- tatversagen, Abstoßung des Organs und Infektionen nach einer Nierentransplantation vorhersagen. Damit die Progno- sen der KI nachvollziehbar sind, wurde ein Dashboard ent- wickelt, das die Risikoabschätzung und Erklärungen seiner Ergebnisse visualisierte. Um Erkenntnisse über Reaktionen von Benutzern und Benutzerinnen zu gewinnen, führten die Forschenden ferner sogenannte Wizard-of-Oz Experimen- te durch, in denen ein KI-System lediglich simuliert wurde. Empfehlungen zum Einsatz von KI in der Medizin Ziel des Projektkonsortiums aus Ethikern um Prof. Dr. Pe- ter Dabrock von der Friedrich-Alexander-Universität Erlan- gen-Nürnberg, Juristen um Prof. Dr. Susanne Beck von der Leibniz Universität Hannover, Medizinerinnen um Prof. Dr. Klemens Budde von der Charité Berlin, die selbst KI-gestütz- te Systeme in der Nierenheilkunde einsetzen, und techni- schen Experten vom DFKI war eine normative, rechtliche und technische Analyse klinischer KI-getriebener Entschei- dungsunterstützung. Das Team um Prof. Dr. Sebastian Möller, Leiter des Forschungs- bereichs Speech and Language Technology am DFKI Berlin verantwortete das Teilprojekt, das die technische Umsetzung der KI-Entscheidungsunterstützung zum Gegenstand hatte. Die so gewonnenen empiri- schen Einblicke lassen darauf schließen, dass der Einsatz eines KI-Systems etablierten Struk- turen der Entscheidungsﬁndung nicht entgegenstehen sollte. So- wohl die Anwendergruppe des medizinischen Fachpersonals als auch die der Patientinnen und Patienten äußerten aller- dings den Wunsch, das System kontrollieren zu können. Die Projektergebnisse wurden in dem bei Springer erschienenen Buch „Klinische Entschei- dungsﬁndung mit Künstlicher Intelligenz“ zusammengefasst. „Damit ihr Potenzial im klinischen Alltag genutzt werden kann, müssen KI-Systeme im ethisch hoch- sensiblen Bereich der Medizin die partizipative Entscheidungsunterstützung fördern und den An- forderungen an Vertrauen, Transparenz und Verant- wortungszuschreibung gerecht werden.“ Dr. Aljoscha Burchardt, DFKI-Labor Berlin Das Team entwickelte ein bestehendes klinisches Entschei- dungsunterstützungssystem für die Nachsorge nach Nie- Weitere Informationen www.dfki.de/web/forschung/projekte-publikationen/ projekt/valid https://link.springer.com/book/9783662670071 Kontakt Dr. Aljoscha Burchardt Forschungsbereich Speech and Language Technology aljoscha.burchardt@dfki.de +49 30 23895 1838

m o c . e b o d a . k c o t s , l s b a n e l e © 17 3 2 0 2 / 1 s w e N I K F D In den westlichen Industrienationen stellen Tumorerkrankungen die zweithäuﬁgste To- desursache dar. Die Behandlung und Betreu- ung von Patienten und Patientinnen im fortge- schrittenen Stadium sind komplexe Aufgaben, an denen zahlreiche Disziplinen beteiligt sind. Um eine bestmögliche Therapie unter Berücksichtigung der Erfolgsaussichten, Risiken und Nebenwirkungen der eingesetzten Medikamente und Interventionen sowie der Lebenserwartung zu gewährleisten, muss eine Vielzahl von Aspekten berücksichtigt werden. Der interdisziplinäre Austausch zwischen Medizinern und Medizinerinnen unterschiedlicher Fachgebiete zur weiteren Behandlung von Tumorpatienten ﬁndet in regelmäßigen Treffen, sogenannten Tumorboards, statt. Die Auswertung der großen Menge patientenbezogener Daten sowie der Einbezug aller relevanten neu publizierten wissenschaft- lichen Erkenntnisse in dieses Format ist eine Herausfor- derung. Dieser Mammutaufgabe will sich das Projektteam der Klinik und Poliklinik für Urologie und Kinderurologie der Universitätsmedizin Mainz, der Anbieter für KI-Lösun- gen innoplexus und der Forschungsbereich Smarte Daten & Wissensdienste des DFKI mit Methoden der Künstlichen Intelligenz annehmen. tiven, klinischen Studien weiter zu verbessern und anschließend auf andere Tumorerkran- kungen zu übertragen. Hierzu werden mit KI-basierten Extraktions- verfahren zunächst frühere Therapieentschei- dungen und Erfolge sowie relevante klinische Studien formal in einer Wissensdatenbank repräsentiert. Auf der Grundla- ge dieser Repräsentation wird dann mithilfe maschineller Lernverfahren ein KI-System zur Unterstützung zukünftiger Therapieentscheidungen entwickelt und nach Bestätigung des Nutzens in die klinische Praxis integriert. Der im Rah- men von KITTU entwickelte Ansatz soll sowohl durch eine hohe Performance als auch durch erklärbare Empfehlungen hervorstechen. Die möglichst verständliche Erklärung der Empfehlungen schafft Vertrauen in das System. Der Nutzen einer solchen Software-Plattform wäre im- mens – sowohl für Patientinnen und Patienten als auch für das medizinische Personal: Eine angedachte zentrale digitale Drehscheibe könnte die interdisziplinäre Zusam- menarbeit zwischen den behandelnden Ärzten langfristig weiter verbessern und den Aufwand für administrative Tä- tigkeiten reduzieren. Das Forschungsvorhaben KITTU hat die Entwicklung ei- nes KI-Assistenzsystems zum Ziel, welches die Therapie der Erkrankten in der Urologie ab der Diagnose begleitet, indem es ihnen und den Behandelnden alle Handlungs- optionen aufzeigt und sie in ihrer Entscheidungsﬁndung hin zu einer optimalen Tumortherapie unterstützt. KITTU schafft die Grundlage dafür, die entwickelten KI-Lernme- thoden und deren Erklärbarkeit im Rahmen von prospek- Weitere Informationen https://kittu.org Kontakt Dominique Mercier Forschungsbereich Smarte Daten & Wissensdienste dominique.mercier@dfki.de +49 631 20575 3521 Integration von KITTU in den klinischen Empfehlungsprozess.

18 D F K I N e w s 1 / 2 0 2 3 SAIL IN DER BIOMEDIZIN Im Jahr 2019 haben Sartorius, ein international führender Partner der bio-pharmazeutischen Forschung und Industrie, und das DFKI das gemeinsame Forschungslabor Sartorius-AI-Lab (SAIL) in Kaiserslautern ins Leben gerufen. Heute ist dieses Labor ein Musterbeispiel für die anwendungsorientierte Forschung, die in Transferlabs ermöglicht wird. Am 19. Dezember 2019 verkündeten Sartorius und das DFKI die Eröffnung des Sartorius-AI-Lab (SAIL). In einer Pres- seerklärung wurde der Konzernchef Dr. Joachim Kreuz- berg wie folgt zitiert: „Moderne Methoden der Datenana- lyse werden in der Biopharma-Branche bislang nur sehr begrenzt eingesetzt, sowohl in der Wirkstoffer- forschung als auch in der Produktion. Dies n. Dies ist einer der Gründe für immer länge- ge- re Entwicklungszeiten und steigen- - de Kosten für Medikamente. Eine bessere Nutzung von Daten durch KI ist ein besonders vielverspre- chender Ansatz, um hier erheb- liche Fortschritte zu erzielen. In unserem Geschäftsbereich Data Analytics bieten wir seit zweiein- halb Jahren leistungsfähige Soft- ware für bestimmte Anwendungen in in der biopharmazeutischen Produktion an, on an, die bereits bei vielen Kunden eingesetzt wird. setzt wird Diese Aktivität wollen wir kraftvoll ausbauen und freuen uns deshalb, mit dem DFKI eines der wichtigsten interna- tionalen Centers of Excellence für KI und Deep Learning mit mehr als 1.000 Wissenschaftlern als starken Partner gefunden zu haben, um solche Lösungen zu entwickeln.“ Von DFKI-Seite begannen die Arbeiten mit einem Mit- arbeiter und einem Doktoranden. Mittlerweile arbeiten auf Seiten des DFKI neun Personen direkt oder indirekt an Fragestellungen von Sartorius. Die Ergebnisse der Forschungsarbeiten waren bereits Gegenstand von Pa- tentanmeldungen und ﬁnden sich heute auch in der Produktpalette von Sartorius. Darüber hinaus Produktpa haben die Ergebnisse das DFKI zu zahl- haben reichen weiteren und eigenständigen reic Arbeiten im Umfeld der von Sartori- Ar us eingebrachten Fragestellungen u motiviert. Ein Aufgabenschwerpunkt im SAIL ist die KI-gestützte Analyse leben- der Zellkulturen mit Lichtmikrosko- d pen als ein wesentliches Hilfsmittel pe zur Diagnose von Krankheiten und zur zur D Entwicklung von Medikamenten. So wer- Entwick den z.B. bei der Prüfung von Wirkstoffen deren den z.B. bei Auswirkungen auf eine Zellkultur anhand von Parame- tern wie Zellzahl, Wachstum, bzw. Vermehrungsrate und Zellform quantiﬁziert. Die Erkennung der Zellumrisse in den oft sehr kontrastarmen Mikroskopbildern (siehe Ab- bildung) und die Kennzeichnung und Verfolgung der ein- m o c . k i p e e r F , r o t c e v o r c a m ©

m o c . k i p e e r F , x f g r b © Lichtmikroskopische Aufnahmen der Zellkulturen vor der Analyse. Lichtmikroskopische Aufnahmen der Zellkulturen nach der KI-gestützen Analyse. 19 3 2 0 2 / 1 s w e N I K F D G A s u i r o t r a S © Erfolgsmodell Transferlab KI-Spitzenforschung für Unternehmen jeder Größe Um Partnern außerhalb von geförderten Kon- sortialprojekten eine kontinuierliche und akti- ve Teilhabe an den aktuellen KI-Entwicklungen zu ermöglichen, bieten Transferlabs – TL@DFKI – individuelle Beteiligungsoptionen für Unter- nehmen. Ein TL@DFKI schafft einen kontinuierlichen, ver- traglich gesicherten Rahmen, in dem alle rechtli- chen Aspekte für die Zusammenarbeit deﬁniert sind. Ein Transferlab besteht aus einem gemischten Team aus Mitarbeitenden des beteiligten Unter- nehmens und aus DFKI-Wissenschaftlern. Gemein- sam arbeiten sie an konkreten Projektfragestellun- gen, an deren Ende deﬁnierte Deliverables stehen. Ergänzt wird das Team durch Stipendiatinnen und Stipendiaten, die in das Forschungs-Ökosystem des DFKI eingebunden sind und im Rahmen ihrer Promotion an für den jeweiligen Industriepart- ner relevanten Grundlagenthemen forschen. www.dfki.de/transferlabs zelnen Zellen über einen bestimmten Zeitraum ist für ei- nen menschlichen Experten eine extrem mühselige und zeitaufwendige Arbeit. Eine schnelle Analyse jedoch ist ein wesentlicher Faktor für ein rascheres Screening von Wirkstoffen und Wirk- samkeitstests bei der Arzneimittelentwicklung. Insofern bestand die Herausforderung in der Automatisierung und wesentlichen Beschleunigung der Analyse von lebenden Zellkulturen. Startpunkt für die Automatisierung war die Erstellung eines großen Datensets für die automatisierte Zellsegmentierung, das mittlerweile auch öffentlich für die Forschung bereitsteht. Auf dieser Basis wurden dann Deep Learning-Modelle entwickelt und trainiert, die die vollautomatische Erfassung und Nachverfolgung von Zel- len in den Kulturen ermöglichen (siehe Abbildung) und da- mit auch die automatisierte Erhebung der für die Analyse notwendigen Parameter, wie die Entwicklung der Zellan- zahl über einen bestimmten Zeitraum. Heute ﬁnden sich die Ergebnisse dieser Arbeit im von Sartorius vertriebenen Incucyte® Live-Cell Analysis System. Über Sartorius Der Sartorius-Konzern ist ein international führender Part- ner der biopharmazeutischen Forschung und Industrie. Die Sparte Lab Products & Services konzentriert sich mit innovativen Laborinstrumenten und Verbrauchsmateri- alien auf Forschungs- und Qualitätssicherungslabore in Pharma- und Biopharmaunternehmen und akademischen Forschungseinrichtungen. Die Sparte Bioprocess Solu- tions trägt mit einem breiten Produktportfolio mit Fokus auf Einweg-Lösungen dazu bei, dass Biotech-Medikamen- te und Impfstoffe sicher und effizient hergestellt werden. Weitere Informationen www.dfki.de/web/news/sartorius-gesellschafter Kontakt Dr. Sheraz Ahmed Forschungsbereich Smarte Daten & Wissensdienste sheraz.ahmed@dfki.de +49 631 20575 4818 m o c . k i p e e r F , e n i l r a t s ©

ECGPlat – Plattform für die computergestützte Genomik und Proteomik-Sequenzanalyse Die Verfügbarkeit biologischer Sequenzdaten, d. h. Aminosäuresequenzen aus DNA, RNA und Proteinen als Grundbestandteile jedes lebenden Organismus, hat in den letzten Jahren stark zugenommen. Diese Daten öffnen neue Türen, um Prozesse zwi- schen und innerhalb von Zellen zu analysieren. Die tiefgehende Analyse trägt dazu bei, die Kernfunktionen von DNA, RNA und Proteinen und die damit in Verbindung stehenden Prozesse im Körper besser zu verstehen. Sie bietet damit das Potenzial, die Entstehung und den Verlauf verschiedener Krankheiten nachzuverfolgen und diese besser zu bekämpfen. Die Analyse von biologischen Sequenzdaten wird üblicherweise in speziellen Laboren durchgeführt. Der Einsatz von Deep Le- arning und weiteren KI-Verfahren verspricht eine genaue, kostengünstige und schnelle Analyse als Alternative zum Labor. Das DFKI hat bereits mehrere Werkzeuge entwickelt, die helfen, die Funktionsweise von Prozessen in lebenden Organismen zu ver- stehen, Krankheiten wie Krebs vorherzusagen und deren Verlauf durch die Entwicklung geeigneter Medikamente und Impf- stoffe zu beeinﬂussen. Weitere Informationen https://sds_genetic_analysis.opendfki.de Kontakt Dr. Muhammad Nabeel Asim muhammad_nabeel.asim@dfki.de +49 631 20575 1010 Auf der ECGPlat-Plattform („Ecient Computational Genomics and Proteomics Sequence Analysis Platform“) stellt das DFKI seine Berech- nungswerkzeuge für DNA, RNA- und Proteinsequenzanalyse zur Verfügung. Erweiterte Intelligenz für die medizinische Bildanalyse – exAID Medizinische Fachkräfte müssen MRT-, CT- oder Röntgenbilder häuﬁg ohne technologische Unterstützung auswerten. Rele- vante Muster und Anomalien allein mit dem menschlichen Auge zu erkennen und zu deuten ist zeitaufwendig, fehleranfällig und erfordert jahrelange Erfahrung. KI-basierte Diagnosesysteme sind ein zusätzliches Instrument für eine korrekte Befundung. Die dafür eingesetzten Deep Learning-Verfahren funktionieren oft als Black Box. Der Transfer solcher Systeme aus der For- schung in die Praxis ist aufgrund des mangelnden Verständnisses ihrer Funktionsweise gebremst. Um die Akzeptanz zu ver- bessern sowie ethische und rechtliche Fragestellungen zu beantworten, sind die Entschlüsselung und Erklärung KI-gestützter Befunde dringend notwendig. Das Diagnose-Assistenz-System exAID nutzt neueste Fortschritte aus dem Bereich der erklärbaren KI, um bestehende KI-Mo- delle in den klinischen Alltag zu integrieren. Damit sollen klinische Arbeitsabläufe von Ärztinnen und Ärzten effizienter, repro- duzierbarer und sicherer werden. Durch Diagnosevorschläge, textuelle Diagnoseerläuterungen und die optische Hervorhebung relevanter Biomarker erweitert exAID die menschliche Expertise. Zusätzlich zur Diagnose liefert es den Behandelnden tiefer- gehende Einblicke in den Diagnoseprozess der KI, der integraler Bestandteil des Arbeitsprozesses ist. Die Grundlage für das exAID-System sind hochperformante KI-Modelle zur Diagnose von Krankheiten. Ein erster Einsatzbereich ist die Erkennung von Hautkrebs in dermatoskopischen Bildaufnahmen. Dabei können anhand relevanter Biomarker, z.B. in der Pigmentierung, harmlose Leberﬂecken von bösartigen Veränderungen unterschieden werden. Weitere Informationen https://exaid.kl.dfki.de Kontakt Adriano Lucieri adriano.lucieri@dfki.de +49 631 20575 5361 Der exAID Diagnose-Assistent erweitert dermatoskopische Bildaufnahmen um einen Diagnosevorschlag und erläutert diesen in einem Begleittext. 20 D F K I N e w s 1 / 2 0 2 3 . m o c y z e e t c e v , e i t a j o n o m a r p u n s i w ©

Computergestützte Diagnose in der Augenheilkunde Das Glaukom ist weltweit die häuﬁgste Ursache für dauerhafte Erblindung. Die Krankheit ist vor allem zu Beginn nur schwer zu erkennen. Die meisten glaukom-bedingten visuellen Artefakte in einem Augenhintergrundbild sind im Sehnervenkopf konzen- triert. Mit einer Kombination verschiedener Deep Learning-Verfahren ist es möglich, diese hochgenau zu klassiﬁzieren: Eine Deep Learning-Architektur lokalisiert und extrahiert den Sehnervenkopf in einem Augenhintergrundbild. Ein weiteres tiefes neuronales Netzwerk ordnet den Sehnervenkopf als gesund oder glaukomatös ein. Mit diesem Ensemble aus tiefen neuronalen Netzen konnte eine Genauigkeit von 100 % für alle bis auf zwei der betrachteten Datensätze erreicht werden. Bei der diabetischen Retinopathie schädigt ein hoher Blutzuckerspiegel die feinen Blutgefäße in der Netzhaut. Im Frühsta- dium sind die visuellen Artefakte auf Augenhintergrundbildern klein, unauffällig und über die gesamte Netzhaut verstreut. Um potenzielle Biomarker der Krankheit zu ﬁnden, müssen Ärzte und Ärztinnen das gesamte Bild betrachten und sich auf bestimm- te Regionen konzentrieren. 21 3 2 0 2 / 1 s w e N I K F D In Zusammenarbeit mit Augenärzten hat das Team des DFKI grobkörnige Klassiﬁkatoren, die diskriminierende Merkmale aus dem ge- samten Bild erkennen, mit einer neuen Art von feinkörnigen Klassiﬁkatoren kombi- niert, die pathologisch signiﬁkante Regio- nen entdecken. Diese Kombination hat die Erkennungsrate separater Bildklassiﬁkato- ren sowie die der meisten veröffentlichten Arbeiten in den meisten Trainingssettings zur Erkennung diabetischer Retinopathie weit übertroffen. Kontakt Dr. Sheraz Ahmed | Dr. Markus Junker sheraz.ahmed | markus.junker@dfki.de +49 631 20575 4818 | 7080 Erkennung der diabetischen Retinopathie durch Deep Learning: Gesunder Augenhintergrund (links) und frühe diabetische Retinopathie mit zwei markierten pathologischen Regionen (rechts). Original oder Fälschung – Klassiﬁzierung von Zahnimplantaten und medizinische Forensik Immer häuﬁger werden im Rahmen der zahnärztlichen Versorgung Implantate eingesetzt. Bereits im Jahr 2018 gab es in Deutsch- land 1,3 Millionen derartige Eingriffe. Wie eine schwedische Studie aus dem Jahr 2021 belegt, sind Komplikationen nach einer Implantat-Therapie keine Seltenheit. In vielen Fällen sind sie darauf zurückzuführen, dass gefälschte oder minderwertige Im- plantate eingesetzt wurden. Die Erkennung von Fälschungen ist wichtig für die zukünftige prothetische Behandlung der Patientinnen und Patienten und ihr Wohlergehen, aber auch für die Klärung eventueller Versicherungsansprüche. Um die billige Kopie zu entlarven, sind die behan- delnden Ärzte in der Regel auf Röntgenbilder angewiesen. Darauf allerdings ist der Unterschied zwischen Original und Fälschung für das menschliche Auge kaum erkennbar. Zusammen mit der Poliklinik für zahnärztliche Prothetik und Werkstoffkunde an der Universitätsmedizin Mainz hat das DFKI eine Studie konzipiert und durchgeführt. Ziel war die Entwicklung eines automatisierten Verfahrens zur Identiﬁzierung von Im- plantatsystemen mit Hilfe einer auf Deep Learning basierenden Objekterkennungsmethode. Die Studie zeigte, dass mit nur 186 Röntgenbildern (93 originale und 93 gefälschte) von Implanta- ten ohne Schrauben sowohl eine Precision als auch ein Recall von 95% erzielt werden konnte. Mit Schrauben ist die Unterscheidung von Original und Fälschung für den menschlichen Betrachter noch schwerer, aber auch in diesem Fall gelang es mit nur 488 Röntgenbildern von Implan- taten mit Schrauben (244 originale und 244 gefälschte) Preci- sion- und Recall-Werte von über 96% zu erzielen. Mit bloßem Auge kaum zu unterscheiden: Zahnimplantat mit Schraube: Original (links) und Fälschung (rechts). Kontakt Dr. Sheraz Ahmed sheraz.ahmed @dfki.de +49 631 20575 4818

H b m G g n o r T © 22 D F K I N e w s 1 / 2 0 2 3 Herz-Kreislauf-Erkrankungen sind seit vielen Jahren Todesursache Nummer eins. Zusammen mit TRON, der Universitätsmedizin Mainz und weiteren Partnern aus der Region Rhein-Main wie BioNTech will das DFKI zu einem Durchbruch bei der Bekämpfung dieser Volkskrankheit beitragen. Die Aktivitäten sind zunächst auf drei Jahre angelegt und werden vom Bundesministerium für Bildung und Forschung (BMBF) mit insgesamt bis zu 15 Millionen Euro gefördert. Ziel des Im März 2023 gestarteten „Cluster für Athero- thrombose und individualisierte Medizin“ (curATime) ist die Entwicklung maßgeschneiderter Behandlungsmethoden und Präventionskonzepte für Herz- und Gefäßerkrankun- gen. Dafür werden moderne Methoden der Künstlichen Intelligenz in der Biomarkerforschung mit immunologi- schen Verfahren kombiniert. Die Arbeiten im Cluster gliedern sich in die vier Innovationsfelder curAIdent, curATreat, curATech und curAInnova- te sowie in mehr als 15 Einzelprojekte. Vier dieser Projekte werden hier exemplarisch vorgestellt. curAIknow zielt auf die Erfassung von biomedizinischem Wissen sowie die Generierung und Anwendung eines Wis- sensgraphen zur Unterstützung der Vorhersage und Vali- dierung von KI-generierten Vermutungen ab. Die Kombi- nation eines bestehenden Wissensgraphen, der nahezu das gesamte relevante öffentliche Wissen abdeckt und umfangreiche Daten von gesunden Menschen und Pati- enten einschließt, bietet die Chance, völlig neue Erkennt- nisse zu gewinnen.

23 3 2 0 2 / 1 s w e N I K F D CureVac hat die Deep Learning-gestützte Analyse von Ultraschallbildern von Arterien im Visier. In Verbindung mit Biodatenbanken sollen das individuelle Krankheitsrisiko und der Krankheitsverlauf vorhergesagt werden. Neben der Prognose selbst spielt in diesem Projekt Erklärbarkeit eine wesentliche Rolle. Mit Methoden der Explainable AI (XAI) soll das System dem Menschen erklären können, worauf es seine Vorhersage stützt. Letztendlich soll die- se Erklärfunktion auch patientenübergreifend zum Ver- ständnis der Krankheitsentwicklung beitragen. Die Kenntnis der molekularbiologischen Ursachen von Atherothrombose ist ein zentraler Ausgangspunkt für die Entwicklung neuer Medikamente zur Bekämpfung der Erkrankung. Zu deren Erforschung setzt das DFKI im Einzelprojekt curATarget Lernverfahren für die Analyse von Genexpressionen ein, wie sie in präklinischen Studi- en beobachtet werden. Als disziplinenübergreifender Cluster adressiert curATime im Leuchtturmprojekt curAIScid häuﬁge Problemstellun- gen, bei denen KI unterstützen soll. Der Schwerpunkt liegt dabei auf der bestmöglichen Nutzung vorhandener, auch kleiner Datensätze, der Erklärbarkeit von KI-Vorhersagen, Representation Learning (automatische Entdeckung und Extraktion von Merkmalen oder „Repräsentationen“ aus Rohdaten) und der Gewährleistung bzw.Sicherstellung von Datenschutz und Datensicherheit. Als Werkzeug in den Händen von Medizinern und Medizine- rinnen können KI-Verfahren wie Deep Learning wesentlich zur schnelleren und kostengünstigeren Entwicklung neuer Medikamente sowie zur signiﬁkanten Verbesserung von Diagnosen und Therapien über alle medizinischen Fach- gebiete hinweg beitragen. Die Verfügbarkeit entspre- H b m G g N O R T © chender medizinischer Datensätze vorausgesetzt, liegt das wesentliche Potenzial von KI- und Deep Learning- Algorithmen in der Möglichkeit, komplexe Muster in Da- ten zu erkennen, die weder von Fachexpertinnen oder -experten noch von herkömmlichen statistischen Ver- fahren entdeckt werden können. Weitere Informationen https://curatime.org Kontakt Prof. Dr. Andreas Dengel Leiter Forschungsbereich Smarte Daten & Wissensdienste andreas.dengel@dfki.de +49 631 20575 1000 H b m G g n o r T ©

24 D F K I N e w s 1 / 2 0 2 3 VERBESSERN Während Maschinelles Lernen in vielen Bereichen große Fortschritte erzielt, ist das Potenzial in der Medizin noch weitgehend unausgeschöpft. Dabei sind die Einsatz- möglichkeiten vielfältig und vielversprechend. Gerade Patientinnen und Patienten mit lebensbedrohlichen oder chronischen Erkrankungen könnten von virtuellen Assistenzsystemen oder personalisierten Vorhersagen von Krankheitsverläufen proﬁtieren. Mit ASCAPE (Artiﬁcial Intelligence Sup- porting Cancer Patients Across Europe) und RE-SAMPLE (Real-time Data Moni- toring for Shared, Adaptive, Multi-do- main and Personalised Prediction and Decision Making for Long Term Pulmo- nary Care Ecosystems) beteiligt sich der DFKI-Forschungsbereich Cyber-Physical Systems an zwei Forschungsprojekten innerhalb des EU-Rahmenprogramms Horizont 2020, die das Ziel haben, die Lebensqualität und das Risiko einer Gesundheitsverschlechterung von Pati- entinnen und Patienten mithilfe von Methoden des Ma- schinellen Lernens vorherzusagen und Inter- ventionen vorzuschlagen. In ASCAPE liegt der Schwerpunkt auf Prostata- und Brustkrebs, RE-SAMPLE betrachtet die chronische Lun- genkrankheit Chronic Obstructive Pulmo- nary Disease (COPD). Ein typisches Hindernis für Maschinelles Lernen in der Medizin ist der Mangel an Daten. Da es sich im Gesund- heitsbereich in der Regel um sensible und persönliche Informationen handelt, müssen diese streng vertraulich behandelt werden. Die Projekte ASCAPE und RE-SAMPLE

m o c . e b o d a . k c o t s / J I K A Y N A H T N R A K G N O B © 25 3 2 0 2 / 1 s w e N I K F D setzen daher auf sogenanntes Föderales Ler- nen, eine Technik, bei der die Daten mehrerer Krankenhäuser verwendet werden können, um gemeinsam ein KI-Modell zu trainieren, ohne jedoch die Informationen unter den Krankenhäusern teilen zu müssen. So bleiben private Daten geschützt, können aber dennoch genutzt werden, um umfassendere Modelle zu erhalten. Im Falle von Angriffen auf das maschinell gelernte Modell lässt sich die Anonymität der Patientinnen und Patienten mithilfe von Differential Privacy gewährleisten, aber auch indem homomorph verschlüsselte Modelle trainiert werden. Das noch bis Juni 2023 laufende ASCAPE-Projekt nutzt Methoden des Maschinellen Lernens, um die Lebensqua- lität von Krebspatientinnen und -patienten vorherzusa- gen. Durch die Analyse von Daten aus Krankenakten, wie z. B. demograﬁsche Daten, Krankengeschichte, Fragebö- gen und Behandlungspläne, schätzt ASCAPE potenzielle Risiken und ermittelt Möglichkeiten für Interventionen. Mithilfe von Methoden aus dem Bereich Erklärbare KI kön- nen Forschende des DFKI zudem Informationen darüber liefern, welche Parameter der Daten die Risikoprognose beeinﬂusst haben und wie das Modell zu den Einschät- zungen kommt. Ziel des europäischen Konsortiums ist es, die Lebensqualität an Krebs erkrankter Menschen zu verbessern, indem Gesundheitsdienstleister unterstützt werden, gezielte Maßnahmen zu ergreifen, die auf die indi- viduellen Bedürfnisse der Patientinnen und Patienten zu- geschnitten sind. Die Grundlage des Projekts bilden Daten von Gesundheitsdienstleistern aus Spanien, Schweden, Großbritannien und Griechenland, wo die entwickelte Entscheidungsunterstützungsplattform auch in einem realen Umfeld getestet wird. Zur Halbzeit des vierjährigen Projekts RE-SAMPLE, an dem ebenfalls mehrere europäische Partner beteiligt sind, ist die Aufnahme von neuen COPD-Patientinnen und -Pa- tienten in den teilnehmenden Krankenhäusern in Tartu (Estland), Enschede (Niederlande) und Rom (Italien) in vollem Gange, um einen aussagekräftigen Datensatz für das Maschinelle Lernen zu gewinnen. Neben den Daten aus den Krankenhäusern werden wohn- ortbezogene Wetter- und Luftqualitäts- daten der Studienteilnehmenden gesam- melt sowie Aktivitätsdaten, die mit einem Aktivitätstracker aufgenommen werden. Über eine App, die einen virtuellen Coach zur Unterstützung des Selbstmanagements der Krankheit umfasst, beantworten die Patientinnen und Patienten täg- lich standardisierte Fragebögen, beispielsweise über ihre aktuellen Symptome, welche die Datensätze ergänzen. In Zusammenarbeit mit den Expertinnen und Experten aus dem medizinischen Bereich entwickelt das DFKI auf Grundlage dieser Daten Prognosemodelle für den Krank- heitsverlauf und Mechanismen für personalisierte Emp- fehlungen und Maßnahmen, die von Medizinerinnen und Mediziner in den Gesprächen mit ihren Patientinnen und Patienten genutzt werden. Im Ergebnis entstehen in beiden Projekten digitale Platt- formen, die einerseits das ärztliche Personal unterstüt- zen, aber auch die Selbstbestimmung von an Krebs und COPD erkrankten Personen stärken können. Das Projekt ASCAPE wird im Rahmen des Forschungs- und Innovationsprogramms Horizont 2020 der Europäischen Union unter dem Förderkennzeichen 965315 gefördert. Das Projekt RE-SAMPLE wird im Rahmen des Forschungs- und Innovationsprogramms Horizont 2020 der Europäischen Union unter dem Förderkennzeichen 875351 gefördert. Weitere Informationen www.ascape-project.eu www.re-sample.eu Kontakt Dr. Serge Autexier Forschungsbereich Cyber-Physical Systems Bremen Ambient Assisted Living Lab serge.autexier@dfki.de +49 421 17845 7505 PATIENT DATA MACHINE LEARNING (ML/AI) PERSONALIZED AI SERVICES PATIENT TREATMENT

26 D F K I N e w s 1 / 2 0 2 3 m o c . k i p e e r f , l e x i p w a r © Knapp 9,4 Prozent der Bevölkerung in Deutschland werden vom statistischen Bundesamt als schwerbehindert eingestuft; circa 16.000 Menschen leben mit Querschnittslähmungen. Für viele davon sowie für Personen mit Muskelschwund, Multipler Sklerose, Amyotropher Lateralsklerose oder Ähnlichem, ist die Interaktion mit ihrer Umwelt stark eingeschränkt. Betroffene sitzen im Rollstuhl und benötigen Dritte, um Türen zu öffnen, Objekte zu greifen oder für die Körperpﬂege. Ein Lösungsansatz, der auch von der Krankenkasse gefördert wird, ist der Einsatz assistiver Roboterarme, die am elektrischen Rollstuhl montiert und mit dem Joystick des Rollstuhls bedient werden können. Allerdings ist die Bedienung eines Roboterarms sehr viel komplexer als die eines Rollstuhls, da hierbei freie Bewe- gungen im dreidimensionalen Raum notwendig sind. In der Praxis können die Nutzenden immer nur zwei von sieben möglichen Richtungen in einem Modus ansteuern. Wollen sie die Richtung wechseln, müssen sie in einen anderen Modus umschalten. Dies schränkt die Möglichkeiten des Roboterarms ein und verzögert die Bedienung stark, da teilweise mehr als ein Sechstel der Zeit mit dem Umschal- ten zwischen den verschiedenen Modi verbracht wird. Im Projekt DOF-Adaptiv (Adaptive Freiheitsgradeinbettung als kooperatives Userinterface für einen Assistenzroboter) arbeitet der DFKI-Forschungsbereich Cyber-Physical Sys- tems gemeinsam mit der Frankfurt University of Applied Sciences, der Westfälischen Hochschule Gelsenkirchen und der Munevo GmbH an einer Lösung, welche die situa- tua ua- tionsabhängige Deﬁnition der zwei steuerbaren Richtun- tu un- ichtu gen vorsieht. Dies wird mithilfe einer Kamera am Greifer Greife ifer er des Roboterarms ermöglicht sowie durch ein neuronales n neuronales es es les ch ei l st Netz, das aus den Kameradaten die wahrscheinlichsten hrs rscheinlichst sten wah Bewegungsrichtungen extrahiert. So soll die Bedienung ie ll die Bedie ol o so ienung nun ht u und d des Roboterarms deutlich vereinfacht und die Selbststän- stän- änänän- d d bst ststä die Selb digkeit der Nutzenden gefördert werden. dden. den. erd am Gr we Zusam- er Z Dafür erarbeiteten die Projektpartner in enger Zusam- tner in enger p artn pa tz nu rnutzen- tztzutz menarbeit mit zukünftigen Primär- und Sekundärnutzen- där - und Sekund är- im imm mä tz ﬂuss auf das s al alltägliche n E Ei den fünf Szenarien, die großen Einﬂuss auf das alltägliche Ein ltä äglic äg n sosowowon sowsow ke Leben haben; dazu gehören u.a. Essen und Trinken sowie Trin sen und Tr a a. Essen und Trinken sowie nken sowie en das Öffnen von Türen. Die Szenarien werden sowohl in der Simulation als auch in der Realität ausgeführt und die Bewegungen des Roboterarmes währenddessen aufge- nommen. Der Roboterarm wird dabei von Personen ge- steuert, die nicht bewegungseingeschränkt sind und folgt somit den Bewegungen eines menschlichen Arms unter der Annahme, dass dies bevorzugte Bewegungen ergibt. Der daraus entstehende Datensatz dient als Grundlage für die probabilistischen Ausgaben des neuronalen Net- zes. Im Einsatz erkennt der Roboter die Situation und legt die erwarteten Bewegungen auf die Steuermöglichkeiten des Eingabegeräts. So bietet die im Projekt entwickelte Steuerung den Nutzenden Freiheitsgrade an, anstatt ei- ad o utonom nomen Pfad o nem autonomen Pfad oder hypothetischem Ziel zu fol- o d o gen. Dies entspricht dem expliziten Wunsch von diversen gen. Dies ent es ents tss nts t d pricht i h d dem ex ts oba ro Probandinnen e Probandinnen und Probanden, die nicht eine Alternative Proba und P und P P ne en aba für ihr Pﬂegepersonal suchen, sondern alltägliche Akti- ür ih für ihr Pﬂ für i vitäten möglichst eigenständig durchführen möchten. v vitäten v ittätte täte explizit ne ne anddndene , die n ie e ce nic e n , sso, so errnrnddeerder soonon en,, en chhchene ,, nndendeoond nn an a ernernder g ig g ddd rrcc pe en möglic liz Das Verbundprojekt AdaMeKoR (Adaptives Mehrkompo- a Das nenten-Robotersystem für die Pﬂege), an dem neben e n dem Johanniter-Unfall-Hilfe e. V., der Carl von Ossietzky de Universität Oldenburg und der Universität Osnabrück die Un DFKI-Forschungsbereiche Cyber-Physical Systems und Robotics Innovation Center beteiligt sind, geht diesen Gedanken einen Schritt weiter: Es konzipiert ein System in Form eines Pﬂegebettes, das zusätzlich zu einem pati- entengesteuerten Roboterarm robotische Unterstützung m o c . k i p e e r f , r o t c e v o r c a m ©

nten bibi enten beim Transfer von Patientinnen und Patienten bietet, um ojekt D FF OF OD oje m Das Projek Das Projekt DOF-Adaptiv wird mit Mitteln des Bundesmi- bie t, um , um t, bieteetet biet nte r de Für ür en. Für Fn. n. ür nn nisteriums für Bildung und Forschung unter dem Förder- ms fü rium ü o- nist iiBi B B für Bild ums für ms fü nisteriumriums ni ninis das Pﬂegepersonal körperlich zu entlasten. Für den Robo- Roboo- obo- n Robo e Ein g n ing n 16S n 16SV8 chen 16SV kennzeichen 16SV8563 da- nzei kennze kennzeichen 16SV8563 gefördert. ke kennn nzeichen 16SV8563 3 terarm werden in AdaMeKoR verschiedene Eingabemoda- gab e man litäten verglichen, darunter die klassische manuelle Steu- Ste eu- nue mepa mepad erung sowie Bedienungen mit einer 3D-Maus, Gamepad pad und Sprache. Die bisherige Präferenz der Nutzenden liegt gt dabei auf der 3D-Maus, da diese es ihnen ermöglicht, den Arm gänzlich ohne Umschalten zu bedienen und sie so- mit Bewegungen selbst lernen können. Das Projekt AdaMeKoR wird mit Mitteln des Bundesmi- Das P nisteriums für Bildung und Forschung unter dem Förder- n nisteriu n kennzeichen 16SV8534 gefördert. s Proje terium ojekt A kt AA ekt AdaM da daMe Ad m o c . k i p e e r f , r o t c e v o r c a m © 27 3 2 0 2 / 1 s w e N I K F D Für den Patiententransfer wurde im Projekt zunächst ein Ansatz verfolgt, bei dem zwei industrielle Roboterarme das Pﬂegepersonal bei Methoden der kinästhetischen Mobili- sation unterstützen. Gesteuert werden die Roboter dabei passiv durch das Pﬂegepersonal. Ein alternatives Konzept, das darauf abzielt, das klassische Pﬂegebett zu ersetzen, erarbeiteten die Forschenden des DFKI Robotics Innova- tion Centers mit Hilfe eines zyklischen Entwicklungspro- zesses, bei dem sowohl Akteure aus der Pﬂege als auch Pﬂegebetthersteller eingebunden wurden. Das Konzept sieht ein Bett vor, das aus mehreren Aktuatoren besteht, mit denen es die darin liegende Person in unterschiedli- che Lagen positionieren kann. Weitere Informationen http://adamekor.de Kontakt DOF-Adaptiv Prof. Dr. Udo Frese Forschungsbereich Cyber-Physical Systems udo.frese@dfki.de +49 421 218 64207 Kontakt AdaMeKoR Dr. Serge Autexier Forschungsbereich Cyber-Physical Systems Bremen Ambient Assisted Living Lab serge.autexier@dfki.de +49 421 218 59834 DOF-Adaptiv In der Projektgalerie 2021 des Bundesministeriums für Bildung und Forschung (BMBF) zum Thema Forschung zu Interaktiven Technologien für Gesundheit und Lebensqualität wurde das Projekt DOF-Adaptiv vorgestellt und ein Projektvideo erstellt. S U A t r u f k n a r F | p p u R n i v e K © R o K e M a d A © Ein assistiver Roboterarm kann Menschen mit Bewegungseinschränkungen bei alltäglichen Aktivitäten wie Essen oder Trinken unterstützen. Mithilfe von Trainingsdaten lernt das robotische System typische Bewegungen für die in DOF-Adaptiv erarbeiteten Szenarien. AdaMeKoR R o K e M a d A © Innovatives Pﬂegebettsystem: Neben einem patientengesteuerten Roboterarm unter- stützen zwei industrielle Roboterarme das Pﬂegepersonal bei der Lagerung und dem Transfer von Patientinnen und Patienten. Zwei industrielle Roboterarme unter- stützen das Pﬂegepersonal bei Metho- den der kinästhetischen Mobilisation. Testaufbau mit Roboterarm für das Projekt AdaMeKoR im Bremen Ambient Assisted Living Lab (BAALL) des DFKI.

28 D F K I N e w s 1 / 2 0 2 3 m o c . e b o d a . k c o t s , 4 0 8 1 r i i m d a w l © DIE SECHSTE GENERATION MOBIL Durch den Mangel an medizinischen Fachkräften steht die Gesundheitsversorgung vor großen Herausforderungen. Die Entwicklung einer innovativen 6G-Infrastruktur und deren Einsatz in der Medizintechnik bieten enormes Potenzial zur Steigerung der Effizienz und stellen Ansätze zur Lösung des Fachkräftemangels und zur Entlastung des Personals zur Verfügung. Durch den Einsatz moderner Kommunikations- konzepte, Methoden der Künstlichen Intelligenz, schnelle, sichere und datenschutzkonforme Übertragung von Daten kann zum Beispiel das Monitoring von Patientinnen und Patienten effizienter gestaltet werden. Eine leistungsfä- hige 6G-Vernetzung mit hohen Datenraten und geringer Latenz ermöglicht chirurgische Eingriffe aus der Ferne und Tele-Konsultationen. Die Sechste Generation Mobilfunk: 6G-Plattform Deutschland Die 6G-Plattform Deutschland an der Rheinland-Pfälzisch Technischen Universität Kaiserslautern-Landau (RPTU) ge- staltet die technologischen Grundlagen der Sechsten Generation Mobilfunk und vernetzt alle relevanten Akteure. Lei- ter ist Prof. Dr.-Ing. Hans Dieter Schotten, Inhaber des Lehrstuhls für Funkkommunikation und Navigation an der RPTU und Leiter des DFKI-Forschungsbereichs Intelligente Netze. Die 6G-Plattform arbeitet vor allem an einer Harmonisierung der internationalen Regulierung und Standardisierung, schafft aber auch aktive Partizipationsmöglichkeiten für Gesellschaft und Wirtschaft. Die Forschung an der 6G-Tech- nologie wird primär in vier sogenannten Research Hubs vorangetrieben und in 18 fach- und schwerpunktbezogenen Industrieprojekten, Projekten zur Resilienz sowie in der europäischen Celtic Next Initiative AI-NET bearbeitet. Architek- tur und System Design, neue Kommunikationskonzepte wie Beyond Cellular, Adaptive Radio Access Networks (RAN), Resilienz und Security by Design sind nur einige der vielen Forschungsfelder. Technologien wie Terahertz-Kommuni- kation, „Internet der Sinne“, „Machine Learning at the Edge“ und Ansätze der Quantenkommunikation eröffnen zusätz- liche Möglichkeiten, um innovative und sichere Lösungen für die nächste Generation der Kommunikationstechnolo- gie zu entwickeln. In diesem Zusammenhang werden auch neuartige Anwendungen wie Brain-Computer Interfaces (BCI), holographische Kommunikation und die Vernetzung von IoT- und IIoT-Geräten (Industrial Internet of Things) erforscht, um das Potenzial zukünftiger Kommunikationstechnologien voll auszuschöpfen und eine nahtlos vernetz- te Zukunft zu gestalten. Weitere Informationen www.6g-plattform.de

29 3 2 0 2 / 1 s w e N I K F D Im Bereich Medizin und Medizintechnik erforscht das Projekt „Holistische Entwicklung leistungsfähiger 6G-Vernetzung für verteilte medizintechnische Systeme“ (6G-Health) den Einsatz von 6G-Technologien im klinischen Bereich sowie bei medizinischen Anwendungen. In Zusammenarbeit mit klinischen Partnern entwickelt, evaluiert und analysiert das Plattformprojekt mit einer Laufzeit von drei Jahren und einem Volumen von 12,87 Mio. Euro 6G-Komponen- ten für zukünftige Medizintechniklösungen. Dafür setzt 6G-Health auf ein interdisziplinäres Konsor- tium. Die Zusammenarbeit zwischen Mobilfunkspezi- alisten, Chipherstellern, Kliniken und Universitäten will sicherstellen, dass die Anforderungen des klinischen Alltags berücksichtigt werden und eine effiziente sowie langfris- tige Nutzbarkeit der entwickelten Lösungen möglich ist. Für einen ganzheitlichen Ansatz bei der Integration von 6G-Technologien in den Gesundheitssektor und bestmög- liche Ergebnisse für alle Beteiligten bringt das interdiszip- linäre Konsortium Experten aus verschiedenen Bereichen zusammen. Diese Art von bedürfnisorientierter Entwick- lung gewährleistet, dass die Technologien der künftigen Mobilfunkgeneration auf die Anforderungen von „In der 6G Entwicklung steht die Problemlösung im Mittelpunkt. In enger Kooperation mit Anwendungs- experten arbeitet die 6G-Plattform an hochvernetz- ten Systemen für morgen. Das Gesundheitswesen ist ein besonders wichtiges, aber auch heraus- forderndes Beispiel. Datenschutz, Akzeptanz und Handhabbarkeit haben im Systemdesign höchste Priorität. Gleichzeitig sollte aber das Potenzial von 6G für die Nutzung neuartiger medizinischer Sensorik, ezienter Krankenhauslogistik und smarter Robotik realisiert werden.“ Prof. Dr. Hans Schotten, 6G-Plattform Oce und DFKI, Leiter Forschungsbereich Intelligente Netze Patienten und Patientinnen, Behandelnden und medizi- nischen Prozessen zugeschnitten sind. Die Berücksichtigung hochsensibler medizinischer Daten ist ein zentraler Aspekt des Projekts. Damit die Privat- sphäre der Patienten gewahrt bleibt und die Verwendung der Daten verantwortungsvoll erfolgt, werden Anforde- rungen an Datenschutz und ethische Belange explizit in den Entwicklungsprozess integriert. KONKRETE ANWENDUNGSBEREICHE IN 6G-HEALTH Patientenmonitoring und verbessertes Patientenmanagement (Remote Monitoring) 1. Patienten- und Vitaldaten sind von entscheidender Bedeutung, nicht nur während der Therapie, sondern vor allem auch für prä- und post-klinische Aufenthalte sowie in der Phase der Rehabilitation. Durch die Integration von neuartiger, nicht-invasiver Sensorik – inklusive Vernetzung und verteiltem Rechnen – werden Informationen nicht unter Laborbe- dingungen, sondern im realen Alltag ohne Beeinträchtigung der Patientinnen und Patienten erhoben. Ein zusätzlicher Klinikbesuch ist nicht notwendig. Vernetzung und kollaborative Zusammenarbeit innerhalb der 2. medizinischen Versorgung Erhöhte Datenraten werden die Übertragungen hochaufgelöster Bilder in Echt- zeit ermöglichen. Verteiltes Lernen und Methoden der Künstlichen Intelligenz erlauben die Bereitstellung und Auswertung von Daten über große Entfernun- gen hinweg. Damit müssen hochspezialisierte Fachkräfte künftig nicht mehr unbedingt vor Ort sein, sondern können für eine bestimmte Zeitspanne hin- zugeschaltet werden. Konzeptionierung einer künftigen Smart Hospital-Umgebung mit 3. Fokus auf unterstützende Mechanismen für klinische Mitarbeitende 6GHealth strebt die Konzeptionierung einer zukünftigen „Smart Hospital“- Umgebung an, die den Fokus auf unterstützende Mechanismen für klinische Mitarbeitende legt. Beispielsweise sollen durch Asset Tracking, also durch die Erfassung und Lokalisierung von Materialien und Geräten, Arbeitsabläufe opti- miert und Ressourcen ezienter genutzt werden können. Die Integration von 6G-Technologien und die fachübergreifende Kooperation der beteiligten Ex- perten und Expertinnen zielen auf eine anwendungszentrierte Entwicklung, die Datenschutz und ethische Aspekte berücksichtigt und somit einen siche- ren und zukunftsweisenden Ansatz für die Gestaltung von intelligenten Kran- kenhausumgebungen schafft. Jan Herbst, Christoph Lipps und Matthias Rüb, Forschungs- bereich Intelligente Netze, beim Projekt-Kick-off. Weitere Informationen www.forschung-it-sicherheit-kommunikationssysteme.de/projekte/6g-health Kontakt Prof. Dr.-Ing. Hans Dieter Schotten Leiter Forschungsbereich Intelligente Netze Hans_Dieter.Schotten@dfki.de +49 631 20575 3000 . m o c y z e e t c e v , u i g k c o t s ©

30 D F K I N e w s 1 / 2 0 2 3 Im Rahmen der CLINNOVA-Initiative arbeitet das DFKI eng mit dem Luxembourg Institute of Health (LIH) zusammen. h t l a e H f o e t u t i t s n I g r u b m e x u L © KÜNSTLICHE INTELLIGENZ KI-gestützte Diagnostik, Präzisionsmedizin oder perso- nalisierte Medizin in sicheren Netzwerken – im Gesund- heitswesen kann Künstliche Intelligenz in vielen Bereichen unterstützen. Zusammen mit Medizinern, Bioinformatike- rinnen und Datenanalytikern forschen die Wissenschaft- ler und Wissenschaftlerinnen am DFKI-Forschungsbereich Agenten und Simulierte Realität (ASR) an übergreifenden Fragestellungen und speziﬁschen Themenfeldern. Mit einer Vielzahl unterschiedlicher Partner wie dem Universitäts- klinikum des Saarlandes und dem Luxembourg Institute of Health (LIH) in Deutschland und den angrenzenden Län- Healaa hhth dern arbeiten sie eng zusammen, um neueste Technolo- dded rnnrn aaaarbeit gien in diesem zentralen Bereich zum Nutzen der europä- gigienen iinnnn ddididieseseseem ischen Gesellschaft zu entwickeln und zu transferieren. isiscchen GGGGesesesessseelelelelee llsll chh Besonders in Grenzgebieten wie dem Vierländereck Lux- Besosoooondnders innnnnnn GGGGGrrrer nzge emburg, Frankreich, Deutschland und Schweiz verbessert eememeee burg, Frrrrrrrananananannnkrkkkkkk eich, De ein internationales, digitales und sicheres Gesundheits- eieiiiiinnnnn ininnnninteteteeternrnrnatatatta ioioioioioioiioi nales, ddddigigigiig wewww sen spspürürrrbabababab r r r r rrrrr die VeVeVeVeVers wesen spürbar die Versorgung. Genau dort greift die Ini- tiative „CLINNOVA: Unlocking the Potential of Data Scien- tiitiatatatttivivivvivvve „CCCLINNNNNNNNNOVVOVOVVA:A:A:A:A UUUUUUnlnlnlnlnln oo ce and Artiﬁcial Intelligence in Healthcare“ an. Ziel ist die cecececeecc andnddnddd AAAAArtrtiﬁﬁciccicicc alllll IIIntelliiiiigegegegege Entwicklung personalisierter und präziser Behandlungsme- EnEEnEnEnEE twicklklk ununnnnngggggg pepeeersonalisssssieieieiiee thoden durch vertrauenswürdige KI. Voraussetzung dafür thhthththhododododo enenenenenen dddddduruuuu chch vertrauauauuua eneeeee ist der Aufbau eines Datennetzwerks, das unter anderem ist dddeer r Aufbbbbbbauauaaaa eeeeeeeininineseee DDD die Interoperabilität von Gesundheitsdaten über Länder- grenzen hinweg zum Ziel hat. Im Rahmen von CLINNOVA sind gemeinsame Forschungsprojekte des DFKI mit dem Luxembourg Institute of Health (LIH) geplant. Ziel des in Vorbereitung beﬁndlichen Kooperationsvertrags ist der Aufbau eines Transferlabors in Luxemburg, in dem in den nächsten Jahren Ärzte und Ärztinnen zusammen mit For- schenden an den relevanten KI-Themen Präzisionsmedi- zin, Personalized Health und Trusted AI arbeiten sollen. Prof. Dr. Christian Schorr forscht auf dem Gebiet der KI in der Medizin. Seit dem Wintersemester 2022/23 lehrt er außerdem „Computer Vision und Künstliche Intelligenz“ an der Hochschule Kaiserslautern, Campus Zweibrücken. Wie wichtig die Kooperation zwischen Informatikern und Ärzten ist, zeigt das geplante Symposium „KI in der Medizin“. Das Symposium wird im November 2023 an der Universitätsklinik des Saarlandes in Homburg stattﬁnden und verschiedene Aspekte von Künst- licher Intelligenz im Bereich Medizin diskutieren. Organisatoren sind die Universität des Saarlandes, das DFKI und die Hochschule Zweibrücken.

31 3 2 0 2 / 1 s w e N I K F D m o c . e b o d a . k c o t s , e t o m a r P © von gemeinsamen Theme Development Workshops (TDW) zu unterschiedlichen Themen und Branchen. Der Work- shop „AI for Future Healthcare“ 2021 stellte eine Vielzahl an Gesundheitsthemen in den Mittelpunkt, um die viel- versprechenden und aufstrebenden KI-Themen in diesem Sektor zu benennen. Im Rahmen von Breakout-Sessions erarbeiteten führende Experten und Expertinnen aus Forschung, Industrie und Politik während des Workshops Vorschläge für eine europäische Forschungs- und Inno- vationsroadmap für Künstliche Intelligenz und Ideen für zukünftige Kooperationen. Die Verfügbarkeit vollständig kommentierter, öffentlicher Datensätze für die Bildseg- mentierung und die Notwendigkeit eines verbindlichen Rechtsrahmens zur Gewährleistung von Datensicher- heit und Anonymität wurden von den Arbeitsgruppen als wesentliche langfristige Herausforderungen identiﬁziert. Trusted-AI in der Medizin Besonders im Bereich der Medizin müssen KI-Anwendun- gen transparent, erklärbar, verlässlich und sicher auch im Hinblick auf den Datenschutz agieren, um vertrauens- würdig zu sein. Trusted AI in der Medizin kann Behand- lungsergebnisse verbessern, Kosten senken und Thera- pieentscheidungen erleichtern. Die Diagnose stellt die Ärztin oder der Arzt, die Therapieentscheidung erfolgt im konsensuellen Gespräch mit dem Patienten oder der Patientin. Die Aufgabe der KI ist lediglich eine unterstüt- zende. Künstliche Intelligenz ist ein Werkzeug, mit dem Ärztinnen und Ärzte arbeiten, um die Qualität von Diag- nose und Behandlung insgesamt zu verbessern. Weitere Informationen www.lih.lu https://tailor-network.eu www.vision4ai.eu/tdw www.humane-ai.eu https://claire-ai.org https://ki-symposium-homburg.com omomomomomom Kontakt Prof. Dr. Christian Schorr Forschungsbereich Agenten und Simulierte Realität christian.schorr@dfki.de +49 681 85775 5314 Dr. Hilko Hoffmann Forschungsbereich Agenten und Simulierte Realität hilko.hoffmann@dfki.de +49 681 85775 7742 Dr. André Meyer-Vitali Forschungsbereich Agenten und Simulierte Realität andre.meyer-vitali@dfki.de +49 681 85775 7241 © nakigitsune-sama, stock.adobe.com „Mehr noch als für andere Anwendungsbereiche der Informatik ist bei Künstlicher Intelligenz für Medizin die Zusammenarbeit von Datenanalys- ten, Bioinformatikerinnen und Medizinern gefragt. Die konkreten Projektideen und Zielvorstellungen, die wir jetzt am DFKI-Forschungsbereich Agen- ten und Simulierte Realität umsetzen, sind auch das Ergebnis des interdisziplinären Innovations- workshops ‚Künstliche Intelligenz in der Krebsfor- schung und der Krebsbehandlung‘ vom Juli 2022“ Prof. Dr. Christian Schorr, Forschungsbereich Agenten und Simulierte Realität Projekte mit dem Universitätsklinikum des Saarlandes Im Projekt „Pharmakokinetisches Modelling von Pro- pofol mittels Künstlicher Intelligenz“ (PHARMOPRO-KI) untersucht das DFKI in Kooperation mit dem Lehrstuhl für Anästhesiologie am Universitätsklinikum des Saarlandes (UKS), ob KI-basierte pharmakometrische Modelle im Fal- le des intravenösen Anästhetikums Propofol akkuratere Resultate liefern können als die derzeitigen Standardmo- delle. Erste Ergebnisse des Projekts stellte Prof. Schorr im September 2022 zusammen mit Prof. Dr. med. Sascha Kreuer in einem gemeinsamen Vortrag zum Thema „PK Modelling mit künstlicher Intelligenz“ im Rahmen des Homburger Anästhesiekolloquiums „Aktuelle Forschungs- projekte der Klinik für Anästhesiologie, Intensivmedizin und Schmerztherapie“ vor. In „MRT-Prime“ forscht das DFKI zusammen mit PD Dr. Umut Yilmaz von der Klinik für Diagnostische und Inter- ventionelle Neuroradiologie am UKS an einer kombinier- ten Detektion von Metastasen und der Klassiﬁzierung des zugrundeliegenden Primärtumors in MRT-Hirnscans. Bei Metastasen im Gehirn ist es äußerst wichtig, möglichst schnell herauszuﬁnden, wo sich der eigentliche Tumorherd beﬁndet, um ihn zu entfernen, bevor er weiter streut. Mit MRT-Prime wird Radiologinnen und Radiologen ein Hilfs- mittel an die Hand gegeben, um diese Suche deutlich zu beschleunigen und die Überlebenschancen der Erkrank- ten zu erhöhen. Aktuell kann das System Brust-, Haut- und Bronchialkarzinome unter- scheiden, weitere Tumorarten sollen perspektivisch integriert werden. Das Projekt „MRT Prime“ befasst sich mit der Detektion und Klas- siﬁzierung von Hirnmetastasen. TAILOR Theme Development Workshop „AI for Future Healthcare” Um europaweit weitere strategische Forschungsschwer- punkte und -herausforderungen zu identiﬁzieren, organi- sieren die EU-Projekte TAILOR, VISION, HumanE-AI-Net und CLAIRE AISBL unter Beteiligung des DFKI eine Reihe

32 D F K I N e w s 1 / 2 0 2 3 INTELLIGENZ IN DER MEDIZIN Interaktive Textilien und smarte Materialien ermöglichen neue Kombinationen von Textil und Elektronik. Tradierte Handwerkstechniken der Textilproduktion und Mikro-Elektronik werden miteinander verwoben, um smarte Materialien zu gestalten, die als Sensoren und Aktuatoren agieren. Im Bereich Gesundheit, Rehabilitation und Medizin entwickelt der Forschungsbereich Interaktive Textilien (InTex) unter der Leitung von Prof. Dr. Gesche Joost nutzerzentrierte technologische Anwendungen und erprobt sie in realitätsnahen Demonstra- toren und Services. Durch die köpernahe Anwendung und den Einsatz im Be- reich Gesundheit und Medizin unterliegen Wearables be- sonderen ethischen, rechtlichen und sozialen Ansprüchen. Ein unbedachter Umgang mit KI-Methoden birgt Risiken wie die Diskriminierung von Patienten und Patientinnen, Fehldiagnosen und den Missbrauch von Daten. „Die menschzentrierte Entwicklung von Künstlicher Intelligenz fängt mit der Einbindung der Nutzerinnen und Nutzer an.“ Prof. Dr. Gesche Joost, Leiterin Forschungsbereich Interaktive Textilien Um Ideen und Prototypen nicht nur funktional, sondern auch unter ethischen und sozialen Aspekten in einem iterativen Prozess ständig überprüfen und bedürfnisori- entiert verbessern zu können, binden die Wissenschaft- ler Anwenderinnen und Anwender partizipativ und nut- zerzentriert über die gesamte Projektlaufzeit eng in die Entwicklung ein. TexaS – Baukasten für multifunktionale textiladaptierte Elektroniksysteme Im Forschungsprojekt TexaS entwickelte ein multidiszi- plinäres Team aus Informatikerinnen, Therapeuten und Patientinnen eine Hose, die Be- wegungen erkennt und mit einem Avatar in der Gaming-App „Space Time“ koppelt. Durch integrierte Bewegungssensoren fungiert das smarte Kleidungsstück wie ein Gamecontroller. Trainingsübun- gen wie Kniebeugen, Tritte und Schritte der spielenden Person lösen Bewegungen des Avatars im Spiel aus. LEDs und Vibrationsmotoren dienen dabei als direktes Feedback. Der Gamiﬁcationansatz kann z.B. Ju- gendliche mit Gangstörung zu körperlicher Aktivität und physiotherapeutischen Übungen motivieren. Die Auto- nomie der Anwender wurde im Projekt als übergeordnete Motivation ermittelt und führte letztlich zu einer hohen Nutzerakzeptanz dieser Therapieform. OrthoSuper – Sichere Datenplattform und intelligente Sensorik für die Versor- gung der Zukunft in der Orthopädie Die konventionelle orthopädische Behandlung, z. B. Knie-Re- habilitation oder die Anpassung von Prothesen, sieht eine Überprüfung des Therapiefortschritts im Rahmen von Arztbesuchen vor. Das bedeutet eine lediglich punktuelle Kontrolle des Heilungsprozesses mit manuellen Messun- gen. Die Anpassung der physiotherapeutischen Maßnah- men erfolgt nur zeitverzögert; der Rekonvaleszenzprozess wird unterbrochen. Im Forschungsprojekt OrthoSuper gestaltet InTex ein Wearable zur Unterstützung von Rehabilitationsmaßnah- men. Ziel ist es, den konventionellen Behandlungsablauf mit einem sensorbasierten On-Body-System und einer multikamerabasierten Computer-Vision-Bewegungser- fassung zu unterstützen. Weitere Informationen www.dfki.de/intex https://youtu.be/MNf5Dmy07mM (Video TexaS) Kontakt Friederike Fröbel | Daniela Wittmann Forschungsbereich Interaktive Textilien friederike.froebel | daniela.wittmann@dfki.de +49 30 23895 5958

ESCADE Gemeinsam mit Rechenzentrumsbetreibern und potenziellen Nutzern aus der Stahl- und Softwareindustrie untersuchen Wissenschaftlerinnen und Wissenschaftler aus dem DFKI-Forschungsbereich Smart Service Engineering, wie neuromorphe KI-Chiptechnologien den energieeffizienten Einsatz großer, auf Künstlicher Intelligenz basierender Modelle für nachhaltige Rechenzentren (RZ) ermöglichen. Das am 1. Mai 2023 gestartete Projekt ESCADE unter der Leitung von Prof. Dr.-Ing. Wolfgang Maaß wird vom Bundesministerium für Wirtschaft und Klimaschutz über eine Laufzeit von drei Jahren gefördert. Der Stromverbrauch von Rechenzentren hat sich in den letzten zehn Jahren verdoppelt und wird bis 2030 13% des weltweiten Energieverbrauchs ausmachen. KI ist da- bei einer der größten Treiber: Das Training eines Modells zur Verarbeitung natürlicher Sprache, wie z.B. das GPT- 3-Modell, verbraucht 936.000 kWh und erzeugt ca. 284 t CO2. ChatGPT verbrauchte allein für seinen Betrieb im Januar 2023 geschätzte 1.200.000 kWh (Äquivalent zum Stromerzeugnis von 3 Windmühlen pro Monat). Ziel von ESCADE (Energy-Efficient Large-Scale Artiﬁcial Intelligence for Sustainable Data Centers) ist es, den Ener- giebedarf von Rechenzentren durch den Einsatz weltweit führender Hardware- und Softwaretechnologien erheb- lich zu reduzieren, um den ökologischen Fußabdruck von KI-Anwendungen zu verbessern. Im Mittelpunkt steht da- bei der Einsatz neuromorpher, d.h. nach dem Vorbild des menschlichen Gehirns gestalteter Chiptechnologien, die Effizienzsteigerungen von bis zu 50% beim Training und bis zu 80% bei der Inferenz von KI-Modellen versprechen. Durch Konzepte zur Integration von NPUs in klassische GPU-basierte RZ sowie KI-basierte Energiemanage- ment-Services wird die Planung neuer KI-Rechenzen- tren nachhaltiger gestaltet, während bestehenden Re- chenzentren der Weg zu einem hybriden Betrieb geebnet wird. Die nachhaltige, ressourceneffiziente Gestaltung von Rechenzentren und KI-Systemen trägt direkt zur Er- füllung der UN-Nachhaltigkeitsziele 9, 12 und 13 bei. Das Vorreiter-Konzept für nachhaltige Rechenzentren wird in ein Ökosystem für KI-Anwendungsfälle mit betriebswirt- schaftlich nachgewiesener Nachhaltigkeit eingebettet. Hierzu entwickelt das Projektteam ein Rahmenmodell zur Messung der Nachhaltigkeit von KI-Systemen. Die Konzepte werden anschließend in den Anwendungsfällen „Nachhaltige Stahlindustrie durch ressourceneffiziente KI“ sowie „Große, ressourceneffiziente NLP-Modelle“ er- probt und evaluiert. Neben dem DFKI als Konsortialführer sind die folgenden Partner am Projekt beteiligt: die NT Neue Technologie AG (NT.AG), die Stahl-Holding-Saar GmbH & Co. KGaA (SHS), die SEITEC GmbH (Seitec) sowie die Technische Universi- tät Dresden (TUD) und die Ruhr-Universität Bochum (RUB). Zudem unterstützen elf assoziierte Partner, wie SpiNN- cloud Systems und Aleph Alpha das Projekt. Weitere Informationen www.dfki.de/sse Kontakt Prof. Dr.-Ing. Wolfgang Maaß Leiter Forschungsbereich Smart Service Engineering wolfgang.maass@dfki.de +49 681 85775 5037 33 3 2 0 2 / 1 s w e N I K F D m o c . k i p e e r f , t e s y r o t s ©

34 D F K I N e w s 1 / 2 0 2 3 e g g o R . A , k c ü r b a n s O S H © Forschende überprüfen im Projekt AI-TEST-FIELD Sensoren auf ei- nem Schlitten, der per Seilantrieb über das Feld gezogen wird. Direkt vom Labor und aus der Halle aufs Feld: ein wesentlicher Erfolgsfaktor für die Entwicklung moderner Hightech-Landmaschinen. ENTSTEHT IN OSNABRÜCK Osnabrück gilt längst als Größe bei der Digitalisierung der Landwirtschaft und Nahrungsmittel- produktion. Jetzt ist es dem Dreigestirn aus DFKI Niedersachsen, Hochschule Osnabrück und Agrotech Valley Forum gelungen, diese Position weiter zu festigen. Mit agrifoodTEF entsteht in Europa in aktuell drei Ländern jeweils ein Knoten aus Testumgebungen für KI und Agrarrobotik. Unternehmen und Wissenschaftseinrichtungen aus ganz Europa können in der Region Osnabrück, Niedersachsen, künftig experimentieren und KI-Komponenten in Prototypen validieren, die es zur Marktreife schaffen sollen. Die Osnabrücker spezialisieren sich mit bis zu 10 Millionen Euro auf Agrartechnik im Ackerbau. Nebel im norddeutschen Tieﬂand oder Hänge in den Wein- bergen im Trentino fordern autonome Helfer in der Land- wirtschaft auf unterschiedliche Weise heraus. Die Fragen, die beantwortet werden müssen, damit die Technik für die jeweiligen Anwendungen zum Einsatz kommen kann, werden in Deutschland, Italien und Frankreich fortan in sogenannten “Test and Experimentation Facilities for the Agri-Food Domain” bearbeitet. Mit der europawei- ten Förderinitiative agrifoodTEF stellen die Europäische Union (EU) und beteiligte Mitgliedsländer führenden Ins- titutionen in den nächsten fünf Jahren bis zu 50 Mio. Euro zur Verfügung, um diese zu betreiben. Neben den drei Ländern mit einer Finanzierung von je bis zu 10 Mio. Euro sind Österreich, Polen, Schweden und Belgien mit einem Fördervolumen von jeweils bis zu 5 Mio. Euro beteiligt. In Deutschland wird das Vorhaben vom Bundesministeri- um für Ernährung und Landwirtschaft (BMEL) unterstützt. Jedes der Länder widmet sich seit dem 1. Januar 2023 ei- nem Thema aus Landwirtschaft und Technologie. In dem Rahmen bauen sie die Infrastruktur auf, die man bei der Entwicklung von funktionstüchtigen Produkten benötigt: Beratung, Datensätze, Software, Hardware und Maschi- nen, Referenzimplementierungen zur Zertiﬁzierung so- wie Versuchsräume in Instituten und auf landwirtschaft- lichen Betrieben. 3 2 0 2 , r e Am 1.2.2023 fand in Trento, Italien, das erste Treffen aller europäischen Partner statt. l s s e K o n u r B e n o i z a d n o F ©

35 3 2 0 2 / 1 s w e N I K F D m o c . k i p e e r f , r o t c e v o r c a m © „Die Grundlagen sind weit erforscht. In agri- foodTEF betrachten wir den letzten wichtigen Schritt in der Transferkette der Technologie hin zu KI-basierter Agri-Food-Technik in der Praxis. Maschinen und deren Komponenten können bei uns in der echten Welt, auf dem Feld, mit allem, was dort auf sie einwirkt, getestet und gehärtet werden. Ich freue mich darüber, dass das DFKI ei- ner der deutschen Partner in agrifoodTEF ist. Da- mit stärken wir die Entwicklung von digitalisierter Landtechnik und Agrarrobotik in ganz Europa.“ Prof. Dr. Joachim Hertzberg Leiter des Forschungsbereichs Planbasierte Robotersteuerung, DFKI-Standort Niedersachsen Aus dem Labor in die Natur Firmen und Forschende können mit eigenen Ideen auf die drei Osnabrücker Partner zukommen und die für sie passenden Umgebungen gestalten oder auf existierende Infrastruktur in Osnabrück zurückgreifen. Das DFKI und die Hochschule Osnabrück gehen in einem laufenden Projekt beispielsweise der Frage nach, wie autonome Landma- schinen ihre Umgebung zuverlässig erfassen können und haben dafür auf einem Gutshof ein Testfeld aufgebaut. Mit einem Schienensystem, einem beweglichen Schlitten und Testdummies im Maisfeld suchen Forschende nach der besten Sensorkonﬁguration und testen die Güte von KI-Algorithmen. Ein solcher Aufbau kann als Benchmark dienen, um andere Systeme zu prüfen. An der Hochschule ist das Agro-Technicum angesiedelt. Dabei handelt es sich um eine mehr als 500 Quadratme- ter große Halle mit großem Laborbereich und angren- zendem Versuchsfeld. Innerhalb von zwei Minuten kön- nen dort Landmaschinen und Agrarroboter nach draußen gefahren werden, um sie unter realistischen Bedingun- gen zu testen. Auch Langzeit-Versuche autonomer Sys- teme sind möglich. Prof. Dr. Stefan Stiene von der Fakul- tät für Ingenieurwissenschaften und Informatik: „In den vergangenen Jahren sind in Osnabrück, auch durch die gute Kooperation zwischen Hochschule, DFKI, Agrotech Valley Forum und dem Land Niedersachsen, erstklassi- ge Bedingungen für die Arbeit an intelligenten Agrar- systemen entstanden. Dass aus unserer Forschung reale Produkte entstehen, die dem Landwirt einen wirklichen Nutzen bringen, war immer ein großes Thema. Jetzt wer- den wir die vorhandene Infrastruktur erweitern und be- kommen noch mehr Möglichkeiten, KI und Robotik in An- wendungen zu überführen.“ Sprungbrett für die Wirtschaft Der Bedarf in der Wirtschaft nach KI- und Robotik-Lösun- gen für die Land- und Ernährungswirtschaft sei groß, er- klärt Dr. Henning Müller. Er ist Vorsitzender des Agrotech Valley Forum e.V., einem Netzwerk, in dem sich der Agrar- technik-Mittelstand der Region zwischen Oldenburg und Münster versammelt: „Hersteller von Agrarsystemtechnik möchten loslegen und können das bald. Wir haben bereits erste Anfragen zur Nutzung des agrifoodTEF-Angebots er- halten. Diese Unternehmen sind sehr erfolgreich in dem, was sie tun. Gleichzeitig brauchen sie auch künftig den Erfolg in den neuen Themenfeldern Sensorsysteme, KI und Robotik. Sie müssen Maschinen und Dienstleistun- gen anbieten, die nachhaltig, funktionssicher, effizient und kostengünstig sind.“ Ohne KI in den Produkten wer- de es in Zukunft immer schwieriger werden, die vielen Anforderungen zu erfüllen, die Kunden, Gesellschaft und Politik, zum Beispiel in Form des EU-Green-Deals, an sie stellen. „Auch in der Tierproduktion und der Lebensmit- telverarbeitung wird das Interesse an KI steigen. agrifood- TEF erleichtert den notwendigen Zugriff auf Daten und Kompetenzen und kann so dazu beitragen, KI-gestützte Agrartechnik in Deutschland und Europa zu verbessern oder neue entstehen zu lassen.“ Gefördert von der Europäischen Union. Die geäußerten Ansichten und Meinungen sind ausschließlich die des Autors/der Autoren und spiegeln nicht unbedingt die der Europäischen Union oder der nationalen Fördermittelgeber wider. Weder die Europäische Union noch die Fördermittelgeber können für sie verantwortlich gemacht werden. Weitere Informationen www.agrifoodtef.eu Kontakt Prof. Dr. Joachim Hertzberg Leiter Forschungsbereich Planbasierte Robotersteuerung joachim.hertzberg@dfki.de +49 541 386050 2251 Landmaschinen mit Künstlicher Intelligenz und Agrarroboter können künftig in Osnabrück für den Einsatz in der Praxis vor- bereitet werden. Im laufenden Projekt AI-TEST-FIELD arbeitet das DFKI mit der Hochschule Osnabrück und den Landtechnik-Firmen Krone und LEMKEN an sicheren autonomen Landmaschinen.

36 D F K I N e w s 1 / 2 0 2 3 LANGZEITMISSIONEN SherpaTT und LUVMI-X am Rande des Skylights. Eine feste Station auf dem Mond, die als Ausgangspunkt für die weitere Erkundung unseres Sonnensystems die- nen kann, ist ein entscheidendes Ziel der internationa- len Raumfahrt. Optimale Bedingungen dafür könnten vor allem schwer erreichbare Umgebungen wie Krater oder Lavahöhlen bieten, die nicht nur Schutz vor Strahlung, Meteoriten und Temperaturschwanken gewähren. Auch wichtige Ressourcen wie gefrorenes Wasser werden im lunaren Untergrund vermutet. Bevor sich jedoch Men- schen in die Tiefen des Erdtrabanten wagen, sollen diese vielversprechenden Orte durch autonome Roboter un- tersucht werden. Doch wie gelangen die Roboter in die Höhlen hinein? In dem vom DFKI Robotics Innovation Center koordinier- ten Projekt CoRob-X (Cooperative Robots for Extreme Environments) untersuchten neun europäische Partner seit März 2021 ein ambitioniertes Explorationskonzept, das auf der Zusammenarbeit heterogener Robotersyste- me basiert. Das Projekt war eines der Abschlussvorhaben des Strategic Research Clusters (SRC) „Space Robotics Technologies“, das mehrere Forschungsprojekte umfasst, die im Rahmen des Horizont 2020-Programms der Euro- päischen Kommission ﬁnanziert und von der PERASPERA Programme Support Activity betreut wurden. Im Mittel- punkt von CoRob-X stand der Test und die Validierung der im SRC entwickelten Technologien, die in zukünfti- gen Raumfahrtmissionen zum Einsatz kommen und den Robotern die Teamarbeit im Lavahöhlenszenario ermög- lichen sollen. Das Szenario sieht vor, dass drei autonome Rover – zum Einsatz kamen die DFKI-Roboter „SherpaTT“ und „Coyote III“ sowie der Rover „LUVMI-X“ des belgischen Unternehmens Space Applications Services NV/SA – ge- meinsam den Eingang einer Lavahöhle, das sogenannte Skylight, erkunden und durch Abseilen eines Roboters in das Höhleninnere vordringen. Um die Machbarkeit dieser komplexen Mission zu bewei- sen, reisten rund 25 Projektmitarbeitende vom 21. Janu- ar bis 11. Februar 2023 nach Lanzarote. Nach knapp zwei Jahren intensiver Forschungs- und Entwicklungsarbeit so- wie mehrwöchigen Integrationsarbeiten im vergangenen September am DFKI in Bremen galt es nun, die Funktions- fähigkeit der Technologien in umfassenden Feldtests zu erproben. Dafür bot die vulkanisch geprägte Kanareninsel mit ihren ausgedehnten Lavatunneln ideale Bedingungen. Auf einem zuvor ausgewählten Testareal errichteten die Nach einem Abseilversuch nehmen DFKI-Forscher technische Anpassungen an Coyote III vor.

37 3 2 0 2 / 1 s w e N I K F D Der Mikro-Rover Coyote III während der Feldtests auf Lanzarote. PROJEKTPARTNER • • • • • • • • • Robotics Innovation Center, DFKI Space Applications Services NV/SA GMV Aerospace and Defence SA Magellium SAS Laboratoire ATMosphères et Observations Spatiales (LATMOS) Stiftung Santa Bárbara Universität Malaga Sintef AS Airbus Defence and Space GmbH Das Projekt CoRoB-X wurde vom 1.3.2021 bis 28.2.2023 im Rahmen des Forschungs- und Innovationsprogramms Horizont 2020 der Europäischen Union unter dem Förder- kennzeichen 101004130 gefördert. Weitere Informationen www.corob-x.eu CoRob-X Field Trials Blog, Lanzarote 2023 – In einem multi- medialen Blog berichteten DFKI-Projektmitarbeiter regelmä- ßig von den aktuellen Geschehnissen vor Ort: www.dfki.de/web/forschung/ﬁeld-trials-lanzarote Kontakt Dr. Thomas Vögele Forschungsbereich Robotics Innovation Center thomas.voegele@dfki.de +49 421 17845 4130 Coyote III seilt sich mithilfe eines von SherpaTT bereitgestellten Abseil- und Dockingsystems in die Höhle ab. Projektpartner ihre Zelte direkt neben einem Skylight, ei- nem etwa fünf Meter breiten Loch im vulkanischen Boden, das den Zugang zu einer etwa vier Meter tiefen Lavahöh- le gewährt. Ziel des Teams war es, in dieser realitätsna- hen Umgebung sowohl die Komponenten und Systeme auf den Prüfstand zu stellen als auch die einzelnen Mis- sionsabschnitte intensiv zu testen. In den kommenden Wochen sahen sich die Beteiligten nicht nur mit äußerst wechselhaften Wetterbedingungen konfrontiert, sondern mussten auch immer wieder wissenschaftliche und tech- nische Herausforderungen bewältigen, die ihnen mitun- ter Arbeitsstunden bis spät in die Nacht abverlangten. Den Abschluss der dreiwöchigen Tests bildete die ﬁnale Demonstration der Gesamtmission vor den Augen ex- terner Besucherinnen und Besucher, zu denen u.a. Ver- treterinnen und Vertreter der Europäischen Kommission, der Europäischen Weltraumorganisation (ESA), des Deut- schen Zentrums für Luft- und Raumfahrt e.V. (DLR), des spanischen Centro para el Desarrollo Tecnológico Indus- trial (CDTI) und des französischen Centre national d’étu- des spatiales (CNES) gehörten. Die erste Missionsphase verlief reibungslos: Das Roboter-Team näherte sich dem Höhleneingang, während es die Umgebung scannte und eine Karte davon erstellte. Im zweiten Abschnitt beför- derte LUVMI-X einen Sensorwürfel durch das Skylight ins Höhleninnere. Um die Fallgeschwindigkeiten auf dem Mond zu simulieren, wurde zum Hinablassen des Würfels eine elektrische Seilwinde mit Kabel verwendet. Die während dieses Vorgangs aufgenommen Daten lieferten eine prä- zise 3D-Karte des Höhleneingangs. Ziel der dritten Mis- sionsphase war das Erreichen des Höhleninneren durch Hinablassen von Coyote III. Dafür dockte der Rover über eine Schnittstelle an ein von SherpaTT bereitgestelltes Abseil- und Dockingsystem an. Ein daran befestigtes Ka- bel ermöglichte es ihm, sich langsam durch das Skylight hindurch abzuseilen und anschließend sicher am Höhlen- boden zu landen. Unten angekommen startete die vier- te und letzte Phase der Mission: Coyote III erkundete das unbekannte Terrain und erstellte erfolgreich eine Karte der Höhlenumgebung. Insgesamt zeigten sich die externen Gäste in höchstem Maß beeindruckt von der Leistung des gesamten Co- Rob-X-Teams. Sie werteten die Feldtests als großen Er- folg und Meilenstein für zukünftige Langzeitmissionen auf dem Mond. „Die Analogmission in Lanzarote ist eine wah- re Herausforderung für Mensch und Material. Die Erforschung einer Lavahöhle mit drei autonomen Rovern ist vor CoRob-X in dieser Form noch nicht demonstriert worden. Wir haben gezeigt, dass es möglich ist und sind damit hoffentlich einer ech- ten Mondmission ein Stück nähergekommen.“ Dr. Thomas Vögele Robotics Innovation Center, Projektkoordinator

38 D F K I N e w s 1 / 2 0 2 3 Abschlussveranstaltung des Forschungsprojekts ForeSight am 15. März im Forum Digitale Technologien. Für das Forum Digitale Technologien (FDT) startet das Jahr 2023 mit einem erfreulichen Tapetenwechsel. Mitte Februar eröffnete der neue Showroom am Salzufer 15/16 in Berlin-Charlottenburg. Wer das Forum in der Vergangenheit bereits besucht hat, weiß, dass dessen Showroom eine einzigartige Kombi- nation aus attraktiver Demonstratoren-Ausstellung rund um das Thema digitale Technologien und modernen Ver- anstaltungsräumlichkeiten bietet. Das Forum Digitale Technologien wird vom DFKI-Forschungsbereich Intelli- gente Analytik für Massendaten im Auftrag des Bundes- ministeriums für Wirtschaft und Klimaschutz (BMWK) be- trieben. Der Projektpartner Fraunhofer HHI verwaltet die Showroom-Fläche. Digitale Innovationen „Made in Germany“ Auch der neue Showroom dient primär als Ausstellungs- ﬂäche und Treffpunkt für Förderprojekte aus den Techno- logieprogrammen des Bundeswirtschaftsministeriums sowie für weitere Forschungsvorhaben. Mit dem Ziel, den Ergebnistransfer aus den Projekten in die deutsche Wirt- schaft zu beschleunigen und verschiedene Akteure aus Wissenschaft, Industrie und Politik zu vernetzen, ﬁnden hier fast täglich Fachworkshops, Projekttreffen, Netz- Ausstellung im Showroom. werkveranstaltungen und weitere Austauschformate mit Multiplikatoren der Digital-Community statt. Das neue modulare Raumkonzept bietet auf insgesamt 700m

39 3 2 0 2 / 1 s w e N I K F D Der KI-Campus ist die größte deutsche Lernplattform zum Thema Künstliche Intelligenz. Das DFKI beteiligt sich mit KI-Lerntechnologien und mit fünf offen lizensierten, kostenlosen Kursen, die Lernende für die Vielfalt von KI begeistern und ihnen beim Aufbau von KI-Kompetenzen zur Seite stehen sollen. Unternehmen und Behörden gehen davon aus, dass im Jahr 2026 jede achte Mitarbeiterin über KI- und Daten- analyse-Kompetenzen verfügen muss. Bislang aber fehlen KI-Kompetenzen in der breiten Bevölkerung: Zwar kennen 90% der Menschen den Begriff KI, aber nur 29% würden sich auch zutrauen, KI zu erklären. Der KI-Campus hat sich als Ziel gesetzt, Bildung über KI in die breite Bevölkerung zu tragen. Dazu bietet die Online-Lernplattform kosten- lose, offen lizenzierte Bildungsressourcen an. Das DFKI ist mit zahlreichen Fachbereichen beteiligt und trägt fünf einstiegsfreundlich gestaltete Kurse bei, die mit einem kostenfreien Ac- count auf dem KI-Campus besucht werden können. Foundations of Artiﬁcial Intelligence Natural Language Processing Sechsteilige, englischsprachige Kursreihe, in der Prof. Dr. Jana Koehler und ihr Team durch die Geschichte und Methoden der künstlichen Intelligenz führen. Der Kurs deckt insbesondere die symbolisch-logische Perspektive ab, wie Su- che, formale Logik und Wissensrepräsentation. Mensch-Maschine-Interaktion Prof. Dr. Antonio Krüger und Prof. Dr. Andreas Butz erläutern, wie Interaktionsschnittstellen – von klassischer, graﬁscher Benutzeroberﬂäche über Websites und Smartphone-Apps bis hin zu virtueller Realität – aufgebaut werden sollten, damit es Menschen gelingt, KI-gestützte Syste- me erfolgreich zu nutzen. Der Kurs geht von den Grundlagen der menschlichen Informationsver- arbeitung aus und schließt mit User-Centered Design und Anwendungsbeispielen. KI und Leadership Prof. Dr. Niels Pinkwart, Dr. Sylke Piéch und Dr. Sven Schmeier wenden sich an Führungskräfte von Unternehmen und erklären, welche Rolle KI-Technologien in Führung und Arbeitsleben spielen können. Der volle Kurs ist als Hybrid-Ler- nerfahrung gestaltet. Online verfügbar sind Module zur Rolle von KI in Unternehmen und Arbeitswelt, Kernbegriffen der KI und Rahmen- bedingungen für den Einsatz von KI, insbeson- dere Ethik und Datenschutz. Dr. Eleftherios Avramidis und Salar Mohtaj befassen sich mit der automatischen Verar- beitung von Schriftsprache und präsentieren einen umfassenden methodischen Werkzeug- kasten, mit dessen Hilfe automatische Sprach- verarbeitung verstehbar wird und in eigene Anwendungen umgesetzt werden kann – von der Vorverarbeitung und der Repräsentation von Texten als Vektoren über Sprachmodelle und semantische Ähnlichkeiten bis zu Anwen- dungsbeispielen wie Spam-Filterung und au- tomatische Übersetzung. Deep Learning mit TensorFlow, Keras und TensorFlow.js Dr. Matthieu Deru und Dr. Alassane Ndiaye er- klären, wie tiefe neuronale Netze praktisch programmiert und trainiert werden. Der Kurs beginnt mit einer Einführung zu neuronalen Netzen und typischen Datensätzen, steigt dann ein in die praktische Programmierung mit den Software-Frameworks TensorFlow, Keras und TensorFlow.js und endet mit Tipps für eigene Projekte. Weitere Informationen https://ki-campus.org Kontakt Dr. Benjamin Paaßen Forschungsbereich Educational Technology benjamin.paassen@dfki.de +49 30 23895 0

Für ihren Beitrag „Low-rank and Sparse Metamorphic Autoencoders for Unsupervised Pathology Disen- tanglement“ erhielten Dr. Hristi- na Uzunova, Dr. Jan Ehrhardt und Prof. Heinz Handels vom DFKI-For- schungsbereich Künstliche Intelligenz in der medi- zinischen Bildverarbeitung (AIMedI) den Best Paper Award des MICCAI-Workshops Medical Applications with Disentanglements (MAD), welcher im Rahmen der internationalen Konferenz Medical Image Com- puting and Computer-Assisted Surgery 2022 in Singapur statt- fand. Zentraler Punkt der Arbeit ist die KI-basierte Zerlegung von Form und Erscheinungsbild me- dizinischer Bilddaten mit Diffe- renzierung zwischen gesunden und pathologischen Befunden. Ergebnisse dieser Methode könnten bei- spielsweise als Grundstein für eine komplexe Bild- synthese nutzbar gemacht werden. Schnelle Suche in unstrukturierten Daten – Best Long Paper für DFKI- Forschende bei der BTW’23 Im Rahmen der 20. BTW’23 wurde das Paper „WannaDB: Ad-hoc SQL Queries over Text Collections“ von Ben- jamin Hättasch, Jan-Micha Bodensohn, Liane Vogel, Matthias Urban und Carsten Binnig vom DFKI-Labor Darmstadt als Best Long Paper ausgezeichnet. Das interaktive System WannaDB ermöglicht schnelles Suchen in großen, unstrukturierten Datenmengen und ist in der Lage, strukturierte Daten aus einem breiten Spektrum von Text-Kollektionen in hoher Qualität zu ﬁltern. Die BTW ist eine der wichtigsten Konferenzen im Bereich Datenbanken und Informationssysteme im deutschsprachigen Raum. 40 K O M P A K T D F K I N e w s 1 / 2 0 2 3 t k a p m o K MICCAI 2022 MAD Workshop – Best Paper Award für Autorenteam des DFKI Lübeck Neuer Forschungsbereich Neuro-mechanistische Modellierung am DFKI Am Standort Saarbrücken hat der der neue For- schungsbereich Neuro-mechanistische Modellie- rung unter Leitung von Dr. Verena Wolf, Professorin für Informatik an der Universität des Saarlandes, seine Arbeit aufgenommen. Im Zentrum des For- schungsbereichs steht die Frage, wie man etab- liertes Wissen mit datengetriebenen, lernenden KI-Methoden kombinieren kann. Da solches Wis- sen häuﬁg in Form sogenannter mechanistischer Modelle vorliegt, verfolgen die Forschenden hy- bride Ansätze, in denen sich mechanistische und neuronal-basierte Modelle ergänzen. Prof. Verena Wolf. Weitere Informationen: www.dfki.de/nmm Muhammad Nabeel Asim schließt Promotion mit Auszeichnung ab Der Forscher des DFKI Kaiserslautern erzielte die beste Bewertung „summa cum laude“. Seine Dis- sertation trägt den Titel „An Efficient Automated Machine Learning Framework for Genomics and Proteomics Sequence Analysis“ und behandelt die Entwicklung eines effizienten automatisierten ma- schinellen Lernsystems für die Sequenzanalyse in der Genomik und Proteomik. Das von Nabeel Asim vorgeschlagene Framework ist in der Lage, automatisch prädiktive Pipelines für genomische und proteomische Sequenzana- lyseaufgaben zu entwerfen. Mit dem Framework lassen sich praktisch nutzbare Webanwendungen für verschiedene DNA-, RNA- und Protein-Sequenz- analyseaufgaben enwickeln. Weitere Informationen: https://sds_genetic_analysis.opendfki.de

41 T K A P M O K 3 2 0 2 / 1 s w e N I K F D DFKI beteiligt sich mit Studie am BSI-Projekt „Security of AI-Systems: Fundamentals“ Das Bundesamt für Sicherheit in der Informationstech- nik (BSI) hat drei Studien in Auftrag gegeben, die sich an KI-Expertinnen und -Experten richten und den aktuellen Stand der Forschung zum Themenkomplex aufzeigen. Der DFKI-Forschungsbereich Agenten und Simulierte Realität (ASR) war mit der Studie “Security of AI-Systems: Funda- mentals - Security Considerations for Symbolic and Hybrid AI” beteiligt. Darin werden mögliche Angriffe auf KI-Systeme und Verteidigungsmaßnahmen kategorisiert und bewer- tet sowie auf Basis der Literatur Handlungsempfehlungen abgeleitet. Die Ergebnisse dienen dem BSI unter anderem als Grundlage für Beratungsdienstleistungen und die Ent- wicklung von Prüfkriterien für KI-Systeme. Weitere Informationen: www.bsi.bund.de/DE/Service-Navi/Presse/Alle-Mel- dungen-News/Meldungen/Studien_Cyber-Sicherheit_ KI-Systeme_230202.html Prof. Slusallek in den Beirat der Initiative QI-Digital berufen QI-Digital ist eine Initiative der zentralen Akteure der deutschen Qualitätsinfrastruktur (QI), die vom Bundes- ministerium für Wirtschaft und Klimaschutz (BMWK) un- terstützt wird. Ziel ist es, durch die stetige Verbesserung der QI einen Beitrag zur Lösung der sozioökonomischen, ökologischen und technologischen Herausforderungen unserer Zeit zu leisten. Das gelingt unter anderem durch die Etablierung eines Netzwerks aus Wirtschaft, Forschung und QI-Institutionen. Aus diesem Zusammenspiel entste- hen Synergien, die diese Initiative für eine nachhaltige Etablierung eines agilen Innovationssystems für digita- le QI nutzen und auf unterschiedliche Anwendungsfälle übertragen kann. Ein erstes Pilotprojekt widmet sich dem Thema Künstliche Intelligenz in der Medizin. DFKI-Direk- toriumsmitglied Philipp Slusallek unterstützt QI-Digital als Mitglied des Beirats. Weitere Informationen: www.qi-digital.de/initiative Feierliche Eröffnung des DFKI-Labors Darmstadt Zusammen mit zahlreichen Gästen aus Wirtschaft, Politik und Wissenschaft eröffnete das DFKI am 23. März 2023 ein neues Labor in Darmstadt. Be- reits seit März letzten Jahres stärkt das DFKI sei- ne Grundlagenforschung mit dieser Zweigstel- le. Eingebettet in die hessische KI-Landschaft kombinieren die drei neuen Forschungsbereiche systemische KI-Ansätze zu neuen Impulsen für Wirtschaft und Gesellschaft. Prof. Dr. Tanja Brühl, Präsidentin der TU Darmstadt, zeigte sich bei der Eröffnung überzeugt, dass das Labor ein großer Gewinn für die TU Darmstadt sei, um ein dyna- misches KI-Ökosystem aufzubauen. Prof. Tanja Brühl, Präsidentin der TU Darmstadt, und die Leiter der Forschungsbereiche Prof. Carsten Binnig, Prof. Jan Peters und Prof. Kristian Kersting. Der Demo Day #1 des Forums Digitale Technologien Am 11. Juli 2023 ﬁndet der Demo Day #1 des Forums Digitale Technologien statt. Gezeigt werden unter anderem Demonstratoren und Use-Cases ausgewählter Leuchtturmprojekte des Bundesministeriums für Wirtschaft und Klimaschutz mit DFKI-Beteiligung. Der Demo Day #1 richtet sich an ein interessiertes Fachpublikum und möchte den Dialog zwischen Po- litik, Fachverbänden, Wirtschaft, Forschung und Innovation befördern. Wann: 11.Juli 2023, 13-17 Uhr Wo: Forum Digitale Technologien, Salzufer 15/16, 10587 Berlin Weitere Informationen: www.forum-digitale-technologien.de

42 D F K I P R O F I L D F K I N e w s 1 / 2 0 2 3 Deutsches Forschungszentrum für Künstliche Intelligenz Das Deutsche Forschungszentrum für Künstliche Intelligenz GmbH (DFKI) wurde 1988 als gemeinnützige Public-Private Partnership (PPP) gegrün- det. Es unterhält Standorte in Kaiserslautern, Saarbrücken, Bremen und Niedersachsen, Labore in Berlin und Darmstadt sowie Außenstellen in Lübeck und Trier. Das DFKI ist auf dem Gebiet innovativer Software- technologien auf der Basis von Methoden der Künstlichen Intelligenz die führende wirtschaftsnahe Forschungseinrichtung Deutschlands. In 28 Forschungsbereichen, neun Kompetenzzentren und acht Living Labs werden ausgehend von anwendungsorientierter Grundlagenfor- schung Produktfunktionen, Prototypen und patentfähige Lösungen im Bereich der Informations- und Kommunikationstechnologie ent- wickelt. Die Finanzierung erfolgt über Zuwendungen öffentlicher För- dermittelgeber wie der Europäischen Union, des Bundesministeriums für Bildung und Forschung (BMBF), des Bundesministeriums für Wirt- schaft und Klimaschutz (BMWK), der Bundesländer und der Deutschen Forschungsgemeinschaft (DFG) sowie durch Entwicklungsaufträge aus der Industrie. Der Fortschritt öffentlich geförderter Projekte wird zweimal jährlich durch ein internationales Expertengremium (Wissen- schaftlicher Beirat) überprüft. Neben den Bundesländern Rheinland-Pfalz, Saarland und Bremen sind im DFKI-Aufsichtsrat zahlreiche namhafte deutsche und internationa- le Hochtechnologie-Unternehmen aus einem breiten Branchenspek- trum vertreten. Das erfolgreiche DFKI-Modell einer gemeinnützigen Public-Private Partnership gilt national und international als zukunfts- weisende Struktur im Bereich der Spitzenforschung. Das DFKI engagiert sich in zahlreichen Gremien für den Wissenschafts- und Technologiestandort Deutschland und genießt weit über Deutsch- land hinaus hohes Ansehen in der Ausbildung des wissenschaftlichen Nachwuchses. Derzeit arbeiten etwa 925 hochqualiﬁzierte Angestell- te aus Wissenschaft und Verwaltung und rund 630 studentische Mit- arbeiterinnen und Mitarbeiter aus über 75 Nationen an über 565 For- schungsprojekten. Das DFKI dient jungen Wissenschaftlerinnen und Wissenschaftlern als Karrieresprungbrett in Führungspositionen in der Industrie oder in die Selbstständigkeit durch Ausgründung von Un- ternehmen. Mehr als 170 Mitarbeiterinnen und Mitarbeiter wurden im Laufe der Jahre als Professorinnen und Professoren auf Lehrstühle an Universitäten und Hochschulen im In- und Ausland berufen. Weitere Informationen www.dfki.de Kontakt Reinhard Karger, M.A. Unternehmenssprecher Deutsches Forschungszentrum für Künstliche Intelligenz GmbH Saarland Informatics Campus D3 2, 66123 Saarbrücken reinhard.karger@dfki.de +49 681 85775 5253 Gründung 1988, Gemeinnützige GmbH (Public Private Partnership) Geschäftsführung Prof. Dr. Antonio Krüger Helmut Ditzer Aufsichtsrat Dr. Ferri Abolhassan, Deutsche Telekom AG (DFKI-AR-Vorsitzender) Elena Yorgova-Ramanauskas, Ministerium für Wirtschaft, Innovation, Digitales und Energie des Saarlandes (Stellvertretende DFKI-AR-Vorsitzende) 22 Gesellschafter Accenture, Airbus Group, Bilﬁnger SE, BMW AG, Cerence GmbH, CLAAS KGaA mbH, Daimler AG, Deutsche Börse AG, Deutsche Messe AG, Deutsche Telekom AG, Empolis Information Management GmbH, Fraunhofer Gesellschaft e.V., Google Inc., HARTING AG & Co. KG, Intel Corporation, John Deere GmbH & Co. KG, KIBG GmbH, Microsoft Deutsch- land GmbH, Münchener Rückver- sicherungs-Gesellschaft Aktien- gesellschaft in München, NVIDIA GmbH, RICOH Company Ltd., Robert Bosch GmbH, ROSEN Swiss AG, SAP SE, Sartorius Ventures GmbH, Schwarz-Gruppe,Soft- ware AG, Rheinland-Pfälzische Technische Universität Kaiserslau- tern-Landau, Universität Bremen, Universität des Saarlandes, Volkswagen AG, VSE AG, ZF Friedrichshafen AG Internationaler Wissen- schaftlicher Beirat Halbjährliche Evaluierung öffent- lich geförderter Projekte: Prof. Dr. Andreas Butz, Ludwig-Maximilians-Universität, München (Vorsitzender) Finanzvolumen 2022 ca. 82,6 Mio. Euro

Intelligente Lösungen für die Wissensgesellschaft Standort Niedersachsen Osnabrück Prof. Dr. Joachim Hertzberg Planbasierte Robotersteuerung Prof. Dr. Oliver Thomas Smart Enterprise Engineering Außenstelle Lübeck Prof. Dr. Heinz Handels KI in der medizinischen Bildverarbeitung Prof. Dr. Alfred Mertins KI in der biomedizinischen Signalverarbeitung Prof. Dr. Ralf Möller Stochastische Relationale KI im Gesundheitswesen Lübeck Oldenburg Prof. Dr. Daniel Sonntag Interaktives Maschinelles Lernen Dr. Frederic Stahl, komm. Marine Perception Oldenburg Bremen Osnabrück Außenstelle Trier Smarte Daten & Wissensdienste Prof. Dr. Ralph Bergmann Themenfeld: Erfahrungsbasierte Lernende Systeme Prof. Dr. Ingo Timm Themenfeld: Kognitive Sozialsimulation Standort Bremen Prof. Dr. Rolf Drechsler Cyber-Physical Systems Prof. Dr. Dr. h.c. Frank Kirchner Robotics Innovation Center Berlin Labor Berlin Prof. Dr. Gesche Joost Interaktive Textilien Prof. Dr. Volker Markl Intelligente Analytik für Massendaten Prof. Dr. Sebastian Möller Speech and Language Technology Prof. Dr. Niels Pinkwart Educational Technology Lab Trier Darmstadt Kaiserslautern Saarbrücken Labor Darmstadt Prof. Dr. Carsten Binnig Systemische KI für Entscheidungsunterstützung Prof. Dr. Kristian Kersting Grundlagen der Systemischen KI Prof. Dr. Jan Peters Systemische KI für Lernende Roboter Standort Saarbrücken Prof. Dr. Josef van Genabith Sprachtechnologie und Multilingualität Prof. Dr. Antonio Krüger Kognitive Assistenzsysteme Prof. Dr. Peter Loos Institut für Wirtschaftsinformatik Prof. Dr. Wolfgang Maaß Smart Service Engineering Prof. Dr. Philipp Slusallek Agenten und Simulierte Realität Prof. Dr. Verena Wolf Neuro-mechanistische Modellierung Standort Kaiserslautern Prof. Dr. Prof. h.c. Andreas Dengel Smarte Daten & Wissensdienste Prof. Dr. Paul Lukowicz Eingebettete Intelligenz Prof. Dr. Martin Ruskowski Innovative Fabriksysteme Prof. Dr. Hans Schotten Intelligente Netze Prof. Dr. Didier Stricker Erweiterte Realität Prof. Dr. Sebastian Vollmer Data Science und ihre Anwendungen k k i i p p e e e r r FF ©©©© y y z e e ee e e e t t c c c c c e e e e e e v v v / / / / s s s s t t t t r r r r a y r r a H © Living Labs Innovative Technologien in durchgängigen Anwendungs- szenarien testen, evaluieren und demonstrieren Advanced Driver Assistance Systems Living Lab, Bremen Ambient Assisted Living Lab, Immersive Quantiﬁed Learning Lab (IQL), Innovative Retail Lab, Robotics Exploration Lab, Smart City Living Lab, SmartFactory-KL, Smart Office Space Living Lab Kompetenzzentren Forschungsaktivitäten bündeln und koordinieren Ambient Assisted Living, Autonomes Fahren, Deep Learning, Emergency Response and Recovery Management, KI für Umwelt und Nachhaltigkeit, Semantisches Web, Sichere Systeme, Smart Agriculture Technologies, Wearable AI

KI FÜR DEN MENSCHEN Hybride KI • Industrie 4.0, Digitale Zwillinge, Semantische Produktgedächtnisse • Smart Data – Intelligente Analytik für Massendaten • Wearable Computing und Interaktive Textilien • Deep Learning und Maschinelles Lernen • Wissensdienste und Dokumentanalyse • Softbots, Digitale Assistenten und Chatbots • Educational Technologies • Veriﬁkation und Evalua- tion sicherheitskritischer Anwendungen • Kognitive Sozialsimulation • Informationsextrak- tion und Intelligentes Webretrieval • Multi-Agentensysteme • Erfahrungsbasierte Lernende Systeme • Visual Computing und Augmented Vision • Mobile und kollaborative Roboter- systeme • Multimodale Benutzerschnittstellen und Autonome Systeme • Einkaufsassistenz und intelligente Logistik • Sichere kognitive Systeme und intelligente Sicherheitslösungen • Ambient Intelligence und Assisted Living • Fahrerassistenzsysteme und Autonomes Fahren • Cyber-Physische Systeme • Multilinguale Technologien und Sprachver- stehen • Geschäftsprozessmanagement und Smart Services • Affective Computing • KI in Medizin und Gesundheitswesen • Systemische KI Standort Kaiserslautern Trippstadter Straße 122 D-67663 Kaiserslautern +49 631 20575 0 Standort Saarbrücken Saarland Informatics Campus D3 2 D-66123 Saarbrücken +49 681 85775 0 Standort Bremen Robert-Hooke-Straße 1 D-28359 Bremen +49 421 17845 0 Standort Niedersachsen Hamburger Straße 24 D-49084 Osnabrück +49 541 386050 0 Labor Darmstadt TU Darmstadt Hochschulstr. 10 D-64289 Darmstadt Labor Berlin Alt-Moabit 91c D-10559 Berlin +49 30 23895 0 www.dfki.de info@dfki.de