Data-driven analysis of medical and simulation data for improved patient treatment in rhinology

In Kooperation mit dem Jülich Supercomputing Centre (JSC) des Forschungszentrum Jülichs und der Park-Klinik Berlin Weißensee werden neue Methoden zur Analyse von Patienten- und Simulationsdaten entwickeln, um Entscheidungsprozesse in der Rhinologie präoperativ zu unterstützen und um einen möglichen Operationsausgang vorher zu sagen. Hierzu werden neue numerische Methoden konzeptioniert und entwickelt, um eine Wissensbasis aus rein medizinischen Daten mit simulativen strömungsmechanischen Daten zu erweitern. Diese Wissensbasis wird insofern strukturiert aufgebaut, dass Algorithmen des Maschinelles Lernens (ML), unter Nutzung von intelligenten Labels, erfolgreich trainiert werden können. Es wird die Verwendung neuester ML Werkzeuge im Bereich des Deep Learning (DL), wie z.B. Tensorflow/Keras und Convolutional Neural Networks, evaluiert. Mit diesen Methoden werden versteckte Informationen in medizinischen und simulativen Daten extrahiert, Pathologien klassifiziert und präoperativ die Entscheidungsfindung unterstützt. Des Weiteren wird die Erfolgswahrscheinlichkeit einer Operation, basierend auf historischen Daten, abgeleitet. Der hybride Ansatz soll erstmals reale Patientendaten, simulative Daten und ML Prädiktoren in einer vollen Schleife, in welcher neue Ergebnisse wieder in die Prozesskette eingepflegt werden, vereinen. Das Projekt arbeitet dabei eng mit dem ZIM-geförderten Projekt Rhinodiagnost (www.rhinodiagnost.eu), in welchem die entsprechenden numerischen Methoden zur Simulation respirativer Strömungen entwickelt werden, zusammen. Eine enge Zusammenarbeit mit den Medizinern der Park-Klinik Berlin Weißensee garantiert eine Anpassung der Methoden an die medizinischen Bedürfnisse.