Nachhaltiger Wissenstransfer bei der Oxford Machine Learning Summer School 2022: Das Spektrum an Möglichkeiten zum Einsatz von KI in unterschiedlichsten Bereichen ist beinahe grenzenlos. Auch im medizinischen und biomedizinisch-analytischen Bereich optimiert maschinelles Lernen die automatisierte Informationsverarbeitung von histologischen Bilddateien im Bereich der digitalen Pathologie.
Die Oxford Machine Learning SummerSchool hat es sich zum Ziel gemacht, Expertise im Bereich Künstliche Intelligenz an Forscher*innen aus aller Welt auf dem Gebiet Machine Learning inklusive Deep Learning weiterzugeben. Heuer zählte die OxML 1000 Teilnehmer*innen aus über 80 verschiedenen Ländern.
Researcher im Bereich Informationstechnik & System-Management, Maximilian Ernst Tschuchnig, gehörte zu den Top 5% der Bewerber*innen für die OxML 2022 und durfte am Programm „ML Health“ teilnehmen. Im Zuge seiner Forschungsaktivitäten für das Projekt KiaMed hat er sich stark mit bildgebenden Verfahren und deren Potential im Bereich der Life Sciences auseinandergesetzt.
Neben Bildgebungsverbesserung stellten der sinnvolle Umgang mit Patient*innendaten und die Verbesserung von Patient*innensicherheit wichtige Themenbereiche bei den Vorträgen und Workshops der Programmreihe „ML x Health“ dar.
"Der Talk von Ishan Misra über Representation Learning war ein besonderes Highlight für mich. Der Forscher von Facebook AI Research (FAIR) hat in seinem spannenden Vortrag grundlegende Informationen über Machine/Deep Learning bis hin zu (self-supervised) Contrastive Learning vorgestellt", erzählt Maximilian Ernst Tschuchnig.
Herr Tschuchnig kann nun das erlernte Wissen in seine Forschungstätigkeiten einfließen lassen.
Projekt KiaMed
Das Projekt KiaMed ist eine Kooperation zwischen den Studiengängen Biomedizinische Analytik und Informationstechnik & System-Management und hat das Ziel den Bereich Diagnostik nachhaltig zu revolutionieren.
Um die enormen Datenmengen optimal im Sinne der Diagnosegenauigkeit und somit der Patient*innensicherheit nutzen zu können, werden automatisierte Methoden der Bildanalyse in Zukunft unabdingbar sein.
