Zu den Inhalten springen

Expert Knowledge and Data Interactions (EDI)

Forschungsschwerpunkt:

Die Analyse klinischer Beobachtungsdaten profitiert von informierter Regularisierung der modellierten Beziehungen relevanter Variablen auch über die Zeit, da die Daten in der Regel heterogen und die Fallzahl klein in Bezug auf die Anzahl der verfügbaren Beobachtungen sind. 

Deshalb wir untersuchen und entwickeln wir Methoden zur Extraktion und Operationalisierung von Expertenwissen um dieses Wissen für Domänenspezifische Regularisierung von statistischen Modellen zu verwenden. Dadurch wollen wir erreichen, verbesserte Schlussfolgerungen aus biomedizinischen Daten zu ziehen.

Unsere Forschung umfasst die Entwicklung domänenspezifischer, expertenvalidierter, generativer Modelle, z. B. für realistische Simulationen von Längsschnittdaten wie im SmallData-Projekt B03 für Epidermolysis bullosa.

Wir arbeiten mit Embeddings, wie sie z. B. mit tiefen generativen Ansätzen erlernt werden, beispielsweise um die Integration verschiedener Modalitäten, z. B. tabellarischer und textueller Daten zu erreichen. 

In diesem Zusammenhang untersuchen wir auch, wie LLMs in Kombination mit klinischen Experten phänomenologische Modelle von Krankheitsprozessen verbessern können. 

Beratung zur präklinischen statistischen Analyse

Im Rahmen des statistischen Beratungsdienstes von IMBI beraten wir Forscher, die mit präklinischen Daten wie Tierversuchen und Zelllinien arbeiten, bei der statistischen Analyse.

Leitung

Dr. Moritz Hess

  • Tiefe generative Ansätze
  • Unüberwachtes Lernen aus hochdimensionalen Daten
  • Latente Repräsentationen
Team

Tim Litwin

  • Mathematische Modellierung
  • Versuchsplanung
  • Statistische Beratung

Niklas Neubrand

  • Mathematische Modellierung
  • Reinforcement Learning

Timo Rachel

  • Mathematical Modelling

Claire Reiland

  • Medizinische Doktorarbeit
  • Analyse statistischer Beratung

Hanning Yang

  • Machine learning
  • Mathematische Modellierung