Wir freuen uns mitzuteilen, dass wir neu Microsoft-Partner im Bereich Azure-Cloud geworden sind.

In den letzten Jahren haben sich Lösungen basierend auf Cloud-Technologien stark verbreitet. Cloud-Technologien bieten viele Vorteile, haben aber auch ihre Tücken. Damit wir für unsere Kunden weiterhin optimal angepasste Lösungen anbieten können, hat die SCS die Kompetenzen im Bereich Cloud-Technologien weiter ausgebaut.

Wir freuen uns auf die gute Zusammenarbeit mit Microsoft Schweiz.

SCS ist stolz darauf, an einer Nature Communications Biology Publikation mitgearbeitet zu haben.

Wir gratulieren den Autoren von [1]  herzlich zu ihrem Paper. Zusammen mit Peter Maloca vom «Institute of Molecular and Clinical Ophthalmology Basel (IOB)» konnten wir zeigen, wie Unsicherheiten in der Ground Truth das Lernverhalten eines Machine Learning (ML) Algorithmus beeinflussen.

Konkret haben wir untersucht, welchen Einfluss abweichende Meinungen von Experten bezüglich der Annotation von medizinischen Bilddaten auf das Lernverhalten eines Deep Learning (DL) Algorithmus haben. Oder anders gesagt: Wie unterschiedliche Expertenmeinungen vom DL-Algorithmus gewichtet werden, wenn der Algorithmus von diesen uneindeutigen Daten lernt — und welchen Konsens er findet. Dafür schlagen wir die T-REX Methodologie vor: ein neues Werkzeug in der Explainable AI (XAI) Toolbox.

Die mit T-REX neu gewonnenen Erkenntnisse sind sehr aufschlussreich: Gerade im medizinischen Bereich gibt es nicht nur Ja/Nein Diagnosen, und unterschiedliche Expertenmeinungen können durchaus ihre Berechtigung haben. Um so mehr stellt sich in der AI-assistierten Diagnose die Frage, wie Algorithmen mit dieser Unsicherheit umgehen. Die Publikation und T-REX liefern Antworten dazu.

Link zum Paper: https://www.nature.com/articles/s42003-021-01697-y

[1] Maloca PM, Müller PL, Lee AY, Tufail A, Balaskas K, Niklaus S, Kaiser P*, Suter S*, Zarranz-Ventura J, Egan C, Scholl HPN, Schnitzer TK, Singer T, Hasler PW, Denk N. Unraveling the deep learning gearbox in optical coherence tomography image segmentation towards explainable artificial intelligence. Commun Biol. 2021 Feb 5;4(1):170. doi: 10.1038/s42003-021-01697-y. PMID: 33547415.

SCS gratuliert den Autoren von [1] ganz herzlich zur Publikation ihrer Resultate im «European Journal of Ultrasound». Zusammen mit David Oelen und den Kinderärzten Dr. Stefan Essig und Dr. Thomas Baumann konnten wir zeigen, dass ein Deep Learning-basierter Algorithmus Winkel in der Hüfte von neugeborenen Kindern vergleichbar gut bestimmen kann wie ausgebildete Mediziner (mehr Details hier). Diese Resultate zeigen deutlich auf, wie gross das Potential von künstlicher Intelligenz in der Medizin ist. Voraussetzung sind eine gute Datenlage und ein klar definiertes Problem.

[1] D Oelen, P Kaiser*, T Baumann, R Schmid, C Bühler, B Munkhuu, S Essig. Accuracy of Trained Physicians is Inferior to Deep Learning-Based Algorithm for Determining Angles in Ultrasound of the Newborn Hip. Ultraschall Med. 2020;10.1055/a-1177-0480. doi:10.1055/a-1177-0480. *Working at SCS.

 

    Kontaktieren Sie Christof Bühler

    Protected by reCAPTCHA. The Google Privacy Policy and Terms of Service apply.