SELPHY-TS: Selbst-überwachtes Lernen für physiologische Zeitreihen

• Antragsteller: Professor Dr. Nils Strodthoff
• Fachliche Zuordnung: Künstliche Intelligenz und Maschinelle Lernverfahren ; Kardiologie, Angiologie
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 553038473

Nicht zuletzt seit dem Erscheinen des ChatGPT-Chatbots sind sogenannte Grundlagenmodelle (eng. foundational models), also KI-Modelle die auf großen Trainingsdatensätzen trainiert wurden und für unterschiedlichste Anwendungsfälle adaptiert werden können, in aller Munde. Dieser Antrag adressiert die Entwicklung solcher Grundagenmodelle im Bereich von physiologischen Zeitreihendaten, hier am Beispiel von Elektrokardiographie- und Photoplethysmographie-Daten, unter Verwendung von modernen Techniken des selbstüberwachten Lernens. Dabei soll das Problem von zwei unterschiedlichen Richtungen angegangen werden (1) durch das Lernen von Repräsentationen nur basierend auf ungelabelten Signalen und (2) durch das Lernen von Repräsentationen aus Kombinationen von Signalen und korrespondierenden Freitext-Berichten unter Verwendung von großen, öffentlich zugänglichen Datensätzen. Dabei soll zum einen die Machbarkeit und die Vorteile der Skalierung solcher Modelle auf grosse Datensätze demonstriert werden und dazu Methoden des selbstüberwachten Lernens gezielt weiterentwickelt werden. Zum anderen sollen die gelernten Repräsentationen aus verschiedenen Perspektiven analysiert werden: (1) Das unüberwachte Auffinden von Kategorien durch Zerlegen von Repräsentation eröffnet eine datengetriebene Perspektive auf Menschen-gemachte Ontologien, sowohl auf dem Niveau der Sequenzannotation (z.B. von Rhythmustypen) als auch auf dem Niveau eines vollständigen Samples (z.B. Pathologien) (2) Mit Hilfe von Techniken der erklärbaren KI können dabei über einzelne Beispiele hinweg mit Kategorien assoziierte Konzepte identifiziert werden. Die Ergebnisse des Projektes sind von hoher Relevanz sowohl für die Weiterentwicklung des Lernens von Repräsentationen physiologischer Zeitreihen aus methodischer Sicht aber auch für die entsprechenden Anwendungsbereiche in der Medizin, hier in Kardiologie und Notfallmedizin, als Basis für die Entwicklung von multimodalen Entscheidungsunterstützungssystemen aber auch zum wissenschaftlichen Erkenntnisgewinn aus einer datengetriebenen Perspektive.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Großbritannien, Niederlande
• Mitverantwortlich: Professor Dr. Wilhelm Haverkamp
• Kooperationspartner: Professor Dr. Hjalmar Bouma; Dr. Peter Charlton