Zur JKU Startseite
Institut für Machine Learning
Was ist das?

Institute, Schools und andere Einrichtungen oder Angebote haben einen Webauftritt mit eigenen Inhalten und Menüs.

Um die Navigation zu erleichtern, ist hier erkennbar, wo man sich gerade befindet.

AI-RI

FWF Projekt: AI-Based Retinal Image Analysis Research Group (AI-RI)

Laufzeit: 06/21 - 05/26 (5 Jahre)

Scientific Advisory Board: Theresa Roland, Fabian Theis, Sotirios Tsaftaris

Partner: Department of Ophthalmology and Optometry, Medical University of Vienna
              Lab for Ophthalmic Image Analysis, Medical University of Vienna

Finanzierung: FWF (Research Groups programme)

Jede Erkrankung der Netzhaut des Auges wirkt sich direkt auf die Sehleistung aus, kann das Sehvermögen gefährden oder auch zur Erblindung führen. Deshalb benötigen wir ein besseres Verständnis von Netzhauterkrankungen und deren Verlauf, um bessere Behandlungen zu finden. Personalisierte Medizin ist ein neuer Ansatz, bei dem Therapien auf die einzelnen PatientInnen zugeschnitten werden. Heute ermöglichen Innovationen in der medizinischen Bildgebung einen außerordentlich detaillierten Einblick in den eigenen Gesundheitszustand. Ein dreidimensionales und sehr detailliertes Bild der Netzhaut kann mit Hilfe der optischen Kohärenztomographie (OCT) aufgenommen werden. Die Analyse der großen Fülle an Informationen über die Augenpatienten, ihren Krankheitsverlauf und den OCT Bildern übersteigt sogar die menschlichen Fähigkeiten.

In den letzten zehn Jahren hat künstliche Intelligenz (KI) viele verschiedene Wissenschaftsbereiche in einer beispiellosen Weise revolutioniert. Es wird erwartet, dass der Einsatz von KI in der Medizin ein großes Potenzial hat. In der Augenheilkunde hat KI bereits übermenschliche Leistungen in der Bilddiagnostik erreicht. Dennoch ist, trotz erster Erfolge, dieses PotenziaI noch nicht ausgeschöpft und wird in der Augenheilkunde noch immer wenig genutzt.

Diese Forschungsgruppe hat das Ziel, ähnliche AugenpatientInnen zu identifizieren und Entscheidungshilfen zu entwickeln, um die Behandlung zu verbessern. Der Schwerpunkt liegt auf der Entwicklung, Verbesserung und Anwendung von KI-Methoden zur Analyse von OCT‑Bildern der Netzhaut. Außerdem forschen wir an der Entwicklung von Machine Learning Methoden, die eine individuelle Prognose des Krankheitsfortschritts ermöglichen. Die Gruppe besteht aus vier Weltklasse- und PionierforscherInnen der Medizinischen Universität Wien (Ursula Schmidt-Erfurth, öffnet eine externe URL in einem neuen Fenster und Hrvoje Bogunović, öffnet eine externe URL in einem neuen Fenster) mit Expertise in Ophthalmologie und medizinischer Bildgebung und der Johannes Kepler Universität (Sepp Hochreiter, öffnet eine externe URL in einem neuen Fenster und Günter Klambauer, öffnet eine externe URL in einem neuen Fenster) mit Expertise in KI. Sie verbinden ihre Expertisen mit dem gemeinsamen Ziel, KI‑basierte personalisierte Medizin in die Behandlung der häufigsten Augenkrankheiten einzuführen.

Publikationen

Autoren: Bo Qian, Hao Chen, Xiangning Wang, Haoxuan Che, Gitaek Kwon, Jaeyoung Kim, Sungjin Choi, Seoyoung Shin, Felix Krause, Markus Unterdechler, Junlin Hou, Rui Feng, Yihao Li, Mostafa El Habib Daho, Qiang Wu, Ping Zhang, Xiaokang Yang, Yiyu Cai, Weiping Jia, Huating Li, Bin Sheng
Publiziert: arXiv preprint arXiv:2304.02389
Link: Offizielle Publikation (HTML), öffnet eine externe URL in einem neuen Fenster
Anmerkung: Eine Studentengruppe der Johannes Kepler Universität Linz arbeitete zusammen mit einem Mitglied der Medizinischen Universität Wien unter der Betreuung von Anghörigen der beiden Universitäten am DRAC 2022 Wettbewerb und erreichte den 3. Platz bei der Segmentierungsaufgabe (das ist der beste Platz unter den teilnehmenden Universitäten an dieser Aufgabe). Offizielle Herausgabe des finalen Rankings (HTML), öffnet eine externe URL in einem neuen Fenster. Die beiden studentischen Team-Leader wurden als Koautoren zu einer Publikation über die Zusammenfassung, Analyse und Resultate des Wettbewerbs eingeladen.

Autoren: Niklas Schmidinger, Lisa Schneckenreiter, Philipp Seidl, Johannes Schimunek, Pieter-Jan Hoedt, Johannes Brandstetter, Andreas Mayr, Sohvi Luukkonen, Sepp Hochreiter, Günter Klambauer
Publiziert:

arXiv Preprint arXiv:2411.04165

Link: ArXiv, öffnet eine externe URL in einem neuen Fenster
Code:

Github code for DNA-xLSTM, öffnet eine externe URL in einem neuen Fenster
Github code for Prot-xLSTM, öffnet eine externe URL in einem neuen Fenster
Github code for Chem-xLSTM, öffnet eine externe URL in einem neuen Fenster