Veranstaltungsprogramm

Der Beitrag geht auf die prototypische Implementierung von KI-Experimenten zur Analyse von transkribierten und anonymisierten Mediationssitzungen ein. Für die Analyse wurden unterschiedliche KI-Modelle erprobt, die mit Hilfe verschiedener Zugriffsmechanismen in die eigene Entwicklung integriert wurden. Maßgeblich für den Erfolg war das stringente Zusammenwirken der verschiedenen Kompetenzträger im Rahmen einer agil orientierten Projektorganisation.

Leishmaniose ist eine durch den Leishmania-Parasiten ausgelöste Erkrankung, deren Diagnose für unerfahrenes medizinisches Personal schwierig ist. In dieser Arbeit geht es um die Entwicklung eines KI-gestützten Systems, das den Parasitennachweis auf Mikroskopbildern automatisiert. Grundlage ist ein Deep-Learning-Ansatz mit Aufnahmen von Gewebeproben, erstellt mit einem Labor- und einem günstigen mobilen Mikroskop. Mithilfe der Bilder wurde ein Objektdetektions-Modell trainiert, das speziell darauf ausgerichtet wurde, Parasiten in unterschiedlichen Bildqualitäten zu identifizieren. Eine dafür entwickelte Benutzeroberfläche ermöglicht die direkte Anwendung des Modells auf Mikroskopbilder in Echtzeit. Außerdem ist die Analyse gespeicherter Bilder und Videos möglich.

Dieser Ansatz zeigte nach dem Finetuning mit einem kombinierten Datensatz eine deutlich gesteigerte Leistung auf zuvor unbekannte Testdaten. Das System kann Parasiten zuverlässig erkennen und gleichzeitig robuste Ergebnisse in variierenden Umgebungen liefern.

Durch den Einsatz eines solches Deep-Learning Modells kann medizinisches Personal erheblich entlastet werden. Da die Bewertung mikroskopischer Aufnahmen zugänglicher gemacht wird, indem der Anwender unterstützt wird und auch ohne spezialisierte Erfahrung die Parasiten finden kann. Der Einsatz des günstigen Mikroskop-Setups bietet zudem eine praktikable Lösung für Regionen mit begrenzten Ressourcen.

Durch den Klimawandel gewinnen Tropenkrankheiten weltweit an Bedeutung. Die Vorhersage ihrer Ausbreitung mittels Machine Learning wird daher immer wichtiger. Die kutane Leishmaniose, eine durch Leishmania-Protozoen verursachte Infektionskrankheit, führt weltweit zu 600.000 bis 1 Million Fällen jährlich. Sie wird durch Sandmücken übertragen und verursacht chronische, narbenbildende Hautläsionen. Grundlage für eine Simulation bzw. Projektion ist die Verknüpfung verschiedenster Datentypen, womit das Projekt eine Methodik für eine Foresight-Studie etabliert und evaluiert. Brasilien dient aufgrund seiner hohen Krankheitslast und zugänglicher Datenlage als Modellregion, um bestehende klimabasierte Modelle für Nordafrika zu erweitern. Hierfür werden Krankheitsfälle (DATASUS) mit Geodaten (GADM) und Klimavariablen (WorldClim) verknüpft. Um das Problem unausgeglichener Falldaten zu lösen, wird die Aufgabe als Klassifikation formuliert. Bekannte Krankheitsorte („Präsenz“) werden mit einer gleichen Anzahl zufälliger Hintergrundpunkte („Pseudo-Absenzen“) verglichen, um ein balanciertes Trainingsset zu schaffen. Ein Random-Forest-Modell wird trainiert, um die Lebensraum-Eignung vorherzusagen. Das finale Ziel ist die Anwendung dieser validierten Methodik zur Erstellung einer Risikoprognose für Nordafrika bis 2060.

Neurological disorders are among the leading causes of disability and death worldwide. The WHO’s Global status report on neurology shows that neurological conditions affect more than 40% of the global population. One of the actions needed to be done, is to strengthen data systems and monitoring for evidence-informed decision-making and accountability.

The intersection of quantum computing and healthcare is leading to breakthroughs in medical devices that promise to revolutionize diagnostics, treatment, and patient care. By leveraging quantum principles, medical devices are becoming more efficient, precise and capable of handling complex tasks that were once impossible. Traditional Machine Learning models struggle with high-dimensional and complex medical datasets, which led interest towards quantum machine learning (QML). By leveraging quantum computing principles, QML may offer advantages in handling such data and outperform classical models in specific tasks.

Here, we compare Machine Learning classifiers with Quantum Machine Learning classifiers to investigate the applicability; focusing on Neural Networks for classification of neural conditions.

The results show, that QML models require further refinement and problem-specific adaptations to be competitive. While some literature indicates that QML can outperform classical methods, this study highlights the need for tailored quantum algorithms and further research to fully exploit quantum computing's potential for medice.

Wir beschreiben die Entwicklung und Ausweitung der Kooperation zwischen der Technischen Hochschule Wildau (THWi) und der Nationalen Universität für Radioelektronik (NURE) in Charkiw mit Schwerpunkt auf IT und Künstlicher Intelligenz. Erste Kontakte bestanden seit den 2010er Jahren, wurden jedoch ab 2020 durch DAAD-geförderte Sommerschulen intensiviert. Diese ermöglichten Nachwuchswissenschaftler*innen Einblicke in KI-Anwendungen in Biologie und Medizin und führten zu gemeinsamen Publikationen und Patentanmeldungen.

Der russische Angriff auf die Ukraine 2022 verstärkte die Zusammenarbeit weiter. Mit der „Wildau-Welcome-IT-School“ wurden geflüchtete Studierende aufgenommen und in einem IT-Programm, inklusive KI-Modul, ausgebildet. Parallel entstand das DAAD-Nothilfeprojekt „Wildau-Kharkiv-IT-Bridge“, das gezielt Lehrende und Studierende in der Ukraine unterstützte, um Brain-Drain zu vermeiden. Bis 2025 wurden so hunderte IT-Module für rund zehntausend Studierende angeboten, viele davon mit KI-, ML- und DL-Bezug.

Zur langfristigen Sicherung der Kooperation wurde 2025 das deutsch-ukrainische Gemeinschaftsprojekt CoSMoS-NT gestartet, das ein gemeinsames Bachelorprogramm in Computer Science mit KI-Schwerpunkten vorsieht. Ergänzt wird es durch Qualifizierungsangebote für Lehrende, innovative Lehrmethoden und nachhaltige Vernetzungsstrukturen.