AG Goldammer/Wolfien: Data Science

„Wir entwickeln computergestützte Datenanalyseansätze mittels KI weiter und bringen diese zur Anwendung um medizinische Fragestellungen sowie zugrundeliegende Krankheitsmechanismen besser zu verstehen.“

Die Anwendung von computergestützten Ansätzen in den Lebenswissenschaften und der Medizin spielt eine immer wichtigere Rolle. Eine zentrale Herausforderung besteht darin, die am besten geeigneten Tools in Datenanalyseabläufe für klinische Daten, die in standardisierten Formaten (z. B. OMOP) dargestellt werden, anzupassen, zu vergleichen, und zu integrieren. Die Entwicklung und Modularisierung solcher flexiblen Arbeitsabläufe zur Analyse und verbesserten Interpretation von Standardparameter- und Hochdurchsatzdaten, wie beispielsweise klinischen Routinedaten, Blutmessungen oder RNA-Sequenzierungsdaten (bulk, Einzelzell und räumlich-aufgelöst), ist dabei ein essenzieller Faktor. Dabei werden aktuelle Tools wie R, Python und Galaxy sowie weitere Analyseansätze wie Netzwerkanalysen oder Machine Learning (klassisches ML und Deep Learning) genutzt. Darüber hinaus werden die entwickelten Methoden in interdisziplinären Kooperationen in den Bereichen Onkologie, Seltene Erkrankungen, Inflammation, Kardiologie sowie weiteren angewendet und validiert. Die Arbeit der Arbeitsgruppe erleichtert so die Verwendung systemmedizinischer Ansätze im klinischen Umfeld erheblich und trägt somit zu den Zielen der Medizininformatik-Initiative bei, um letztendlich eine verbesserte Diagnose, Prävention und Therapie zu unterstützen.

Eine Auswahl unserer Manuskripte und Poster sind über ResearchGate abrufbar.

Übersicht Data Science und Machine Learning

Forschungsschwerpunkte

Zentrale Forschungsthemen der AG sind:

KI in der Medizin

Entwicklung von klin. Entscheidungsunterstützungssystemen (CDSS) zur Klassifikation und Einteilung von Patientendaten
Analyse von Gemeinsamen Datenmodellen (CDM) zur Priorisierung von Parametern
Generierung von synthetischen Daten auf Basis von tabellarische Patienteninformationen
Föderiertes maschinelles Lernen zur verbesserten Nutzung von verteilten Daten

Entwicklung von Arbeitsabläufen zur Datenanalyse

Auswertung von bulk, Einzelzell- und räumlich-aufgelösten Genexpressionsdaten
Prozessierung und Integration von Multi-Omics Daten mittels Netzwerkmodellierung
Visualisierung von klinischen Daten mittels Webanwendungen
Teilautomatisierte Auswertung von med. Bilddaten und Mikroskopieaufnahmen

Ausgewählte Projekte

MiHUBx — Digitaler FortschrittsHub MiHUBx (AP6 - Digitale Workflow-Integration in der personalisierten Onkologie)
SATURN — Smartes Arztportal für Betroffene mit unklarer Erkrankung (Entwicklung eines CDMs für Seltene Erkrankungen)