FedCSIS 2023

Zum fünften Mal in Folge hat das WIG2 Institut erfolgreich bei der Federated Conference on Computer Science and Intelligence Systems (FedCSIS) eine eigene Session organisiert und durchgeführt: "Data Science in Health, Ecology and Commerce" (DSH’23). Dieser Workshop fand am 17. September in Warschau, Polen statt und vereinte wieder ein internationales Publikum mit Beiträgen aus u. a. Deutschland, Polen, Türkei und Japan.

Die Session wurde abermals unter der Leitung von Dr. Carsta Militzer-Horstmann in Zusammenarbeit zwischen dem WIG2 Institut, der Juniorprofessur für Gesundheitsökonomie und -management an der Universität Leipzig, dem Institut für Wirtschaftsinformatik derselben Universität, dem Helmholtz-Zentrum für Umweltforschung und dem Social CRM Research Center organisiert.

Insgesamt wurden sieben Beiträge für DSH’05 eingereicht, die von 29 Autor:innen aus acht verschiedenen Ländern verfasst wurden. Von diesen wurden vier Beiträge zur Präsentation angenommen. Dabei handelte es sich um drei reguläre Forschungspapiere und ein Kurzpapier. Die präsentierten Beiträge beleuchteten die vielfältigen Anwendungsmöglichkeiten und das Potenzial von Data Science in den Bereichen Gesundheit, Umweltforschung und Wirtschaft. Themen wie Datenanalyse, Informationssysteme und datengesteuerte Forschung wurden dabei in ihren Wechselwirkungen betrachtet.


Mutual Learning Algorithm for Kidney Cyst, Kidney Tumor and Kidney Stone Diagnosis

regular research paper
(
Mutual Learning Algorithm for Kidney Cyst, Kidney Tumor and Kidney Stone Diagnosis)

Sabrina Tarin Chowdhury, Snehasis Mukhopadhyay and Kumpati S. Narendra

Indem mehrere Lernalgorithmen ihr Wissen miteinander teilen, können diese verbessert und effizienter gestaltet werden. Dies ist vor allem dann nützlich, wenn ein System nicht ausreichend mit einem großen Datensatz trainiert werden kann – die Studie soll diesen Vorteil beweisen. Zur Veranschaulichung des Konzepts werden zwei Algorithmen zur Identifizierung von Nierenerkrankungen angewendet: zum einen eine Sonderform eines künstlichen neuronalen Netzes, das speziell für maschinelles Lernen und die Verarbeitung von Bild- oder Audiodaten vorgesehen ist und zum anderen ein Algorithmus, welcher auf einem mathematischen Verfahren basiert und zur Klassifizierung oder Regression von Objekten eingesetzt wird. Die Netzwerke wechseln sich dabei stetig mit den Rollen des Lehrerenden und des Gelehrten ab – so können beide Agenten auf das Wissen des anderen zurückgreifen und bei neuartigen Datenpunkten mithilfe des gegenseitigen Lernens nach ähnlichen Trainingssätzen Ausschau halten, um gemeinsam eine Lösung zu finden. In dieser Kommunikationsphase wird der Agent als Lehrender ausgewählt, der (gelabelte) Beispiele hat, die "ähnlicher" zu dem neuartigen Datenpunkt sind als beim anderen Agenten. 

Interaktive, personalisierte Entscheidungsunterstützung bei der Analyse von Menstruationsstörungen bei Frauen

regular research paper
(
Interactive, Personalized Decision Support in Analyzing Women’s Menstrual Disorders)

Łukasz Sosnowski, Soma Dutta, Iwona Szymusik, Wojciech Chaber and Paulina Kasprowicz

Vorherige Forschungen des Autor:innenteams beschäftigten sich bereits mit dem allgemeinen Schema hinter dem KI-basierten Modell zur Bestimmung der möglichen Eisprungsdaten sowie der Möglichkeit einiger Gesundheitsrisiken. Nun sollen neben dem prämenstruellen Syndrom (PMS), dem lutealen Phase-Defekt (LPD), Polypen und Fibroide auch einige zusätzliche Schemata wie Hypothyreose und das polyzystische Ovarsyndrom (PCOS) einbezogen werden. Darüber hinaus wurde der neuartige Ansatz des KI-basierten Schemas aus der Perspektive einer personalisierten, fallbezogenen, interaktiv medizinischen Unterstützung beleuchtet, die nicht nur von einem voreingestellten regelbasierten System zur Diagnose von Krankheiten abhängt. Der neuartige Ansatz umfasst demnach den Aufbau eines KI-Modells, das (i) auf echten Daten trainiert ist, (ii) auf die Wahrnehmungen der Benutzerin sensibel reagiert, (iii) durch Interaktionen zwischen den Beteiligten (wie Benutzerin und medizinische Expert:innen) lernen und überarbeiten kann, (iv) geeignete Strategien für den erforderlichen Handlungsablauf entwickelt (bspw. Vorschläge für weitere Tests oder das Ausfüllen zusätzlicher Fragebögen) und (v) die Fähigkeit besitzt, seine Entscheidungen den Benutzerinnen durch Visualisierung zu erklären. 

Nutzung der Merkmale von Pupillenlichtreflexen (PLR) zur Bestrahlung beider Augen mit chromatischen Lichtimpulsen zur Erkennung von Demenzsymptomen

communication research paper
(
Using Features of PLRs to Chromatic Light Pulse Irradiations of Either Eye to Detect Symptoms of Dementia)

Minoru Nakayama, Wioletta Nowak and Anna Zarowska

Bereits ein drittes Mal stellten die Forschenden einen Beitrag zu DSH vor, der sich mit Demenzsymptomen der Augen beschäftigt. In den vorangegangenen Jahren wurden bereits Indikatoren der Augenmotoren, die sich bei Demenzerkrankten signifikant von der Kontrollgruppe unterschieden sowie die Pupillenlichtreflexe präsentiert. 

Dieses Mal betrachten die Autor:innen Wellenformmerkmale der Pupillenlichtreflexe (PLR), um Demenzsymptome erkennen zu können. Dabei wurden blaue oder rote Lichtimpulse auf jeweils ein Auge gerichtet. Das Experiment wurde an Personen (i) mit einer Alzheimer-Erkrankung, (ii) mit leichter kognitiver Beeinträchtigung sowie (iii) einer normalen Kontrollgruppe durchgeführt. Der präsentierte Beitrag konzentriert sich auf die Unterschiede zwischen den Merkmalen der bestrahlten und nicht bestrahlten Augen. Ein genaueres Vorhersageverfahren und eine Methode zur Analyse der Reaktionsmechanismen werden Gegenstand weiterer Studien sein. 

Vergleich von Deep-Learning-Architekturen für drei verschiedene multispektrale bildgebende Durchflusszytometrie-Datensätze

regular research paper
(
Comparison of Deep Learning Architectures for three different Multispectral Imaging Flow Cytometry Datasets)

Philippe Krajsic, Thomas Hornick and Susanne Dunker

Die multispektrale Bildflusszytometrie (MIFC) ist in der Lage, tausende mikroskopischer multispektraler Zellbilder pro Sekunde aufzunehmen. Deep-Learning-Algorithmen in Kombination mit MIFC werden derzeit in verschiedenen Bereichen eingesetzt, wie bspw. der Klassifizierung von Blutzellmorphologien, Phytoplanktonzellen aus Wasserproben oder Pollen aus Luftproben oder Bestäubern. Das Ziel der präsentierten Forschungsarbeit besteht darin, Klassifikatoren für die automatische und schnelle Verarbeitung neuer Proben zu trainieren.  

Dafür wurden drei Datensätze verwendet, die mit einem bildgebenden Durchflusszytometer aufgezeichnet wurden und Proben aus drei verschiedenen Anwendungsbereichen enthalten (Windpollen, Phytoplankton und Blutzellen). Diese CNN-Architekturen wurden auf den verschiedenen Datensätzen trainiert, wobei die Aufgabe jedes Modells darin bestand, Muster und Strukturen in den Bildern zu erkennen, um eine möglichst hohe Genauigkeit bei der Zuordnung der Bilder zu ihren jeweiligen Klassen zu erzielen. Zukünftige Forschung könnte das Training und Testen an noch größeren Datensätzen mit mehr Klassen und höherer Variabilität umfassen. Darüber hinaus könnten Hyperparameter-Optimierungen an einzelnen Architekturen durchgeführt werden, um eine universell beste Architektur für die Klassifizierung der untersuchten Datensätze zu identifizieren.  


Autorin der Kurzzusammenfassungen zu den Beiträgen: Luise Seile

_____________________________

Eine Übersicht aller Newsmeldungen finden Sie in unserem Archiv.