Erzeugung von synthetischen Daten für Künstliche Intelligenz

Das Bundesministerium für Bildung und Forschung (BMBF) beabsichtigt mit der Richtlinie zur Förderung von Projekten zum Thema „Erzeugung von synthetischen Daten für Künstliche Intelligenz“ interdisziplinäre und anwendungsorientierte Forschungs- und Entwicklungsvorhaben zu fördern. Das Ziel der Förderrichtlinie ist es, neue Methoden zur Erzeugung synthetischer Daten für die Erstellung und Validierung von KI-Modellen zu entwickeln bzw. schon vorhandene Methoden zu verbessern oder auch gegebene personenbezogene Datenbestände zu anonymisieren. Durch die Maßnahme soll die Spitzenposition Deutschlands im Bereich KI gesichert und weiter ausgebaut werden. Die Förderung von Verbundprojekten soll hierbei den Transfer zwischen Wissenschaft und Wirtschaft zum Vorteil beider Parteien verstärken. Maschinelles Lernen zur intelligenten Regelung von Herzunterstützungssystemen Die zunehmende Anteil der älteren Bevölkerung führt zu einer steigenden Anzahl an Menschen, die an einer terminalen Herzinsuffizienz leiden. Als terminale Herzinsuffizienz bezeichnet man ein Stadium der Herzleistungsfähigkeit, in dem es so schwer geschwächt ist, dass die Pumpfunktion gerade noch ausreicht, um den Körper am Leben zu halten. Aufgrund eines Mangels an Spenderorganen löst daher die Implantierung von mechanischen Herzunterstützungssystemen (engl. Ventricular Assist Device, VAD) schon heute die Herztransplantation als Therapie der terminalen Herzinsuffizienz ab. Im Projekt LeRntVAD soll ein synthetisches, d. h. ein auf künstlich erzeugten Daten basierendes Simulationsmodell für das Herz-Kreislauf-System erstellt werden. Als Basis dient eine bestehende Datenbank mit den Daten aus 46 Tierversuchen an Schweinen aus dem Projekt „Smart Life Support 2.0“, das durch die DFG gefördert wurde. Dieses Modell wird in der Anwendung genutzt, um einen auf künstlicher Intelligenz (KI) basierten Regler für linksseitige Herzunterstützungssysteme (Ventricular Assist Devices – VADs) zu entwerfen. Ein KI-Regler (Steuerungsalgorithmus) erweitert das Spektrum der bestehenden klassischen Regler dahingehend, dass auf die direkte Messung im Patienten verzichtet werden kann. Der Lehrstuhl Maschinelles Lernen der Universität Bielefeld beschäftigt sich mit der Entwicklung der Kern-ML-Methodik des intuitiven Zugangs zu generativen Modellen. Ein generatives Modell beschreibt, wie ein Datensatz im Rahmen eines Wahrscheinlichkeitsmodells erzeugt wird. Die synthetisierten Zeitreihen aus diesen Datenmodellen bilden die Lerndaten eines KI-Reglers, der am Institut für Regelungstechnik der RWTH Aachen entwickelt wird. Die physiologische Bewertung der erzeugten Daten zur Bewertung des KI Reglers erfolgt durch das Universitätsklinikum Aachen. Zudem wird hier abschließend eine reduzierte Anzahl von Tierversuchen zur Validierung durchgeführt. Durch ein kontinuierliches Feedback können die klinischen Experten die Interpretierbarkeit der generierten synthetischen Zeitreihen bewerten. Mit der Anwendung im Tierversuch kann die Regelgüte des KI-Reglers in einem hochkomplexen biologischen System evaluiert werden. Damit die Datensynthese erfolgreich Lerndaten generiert, muss eine Integration des Reglers in die Struktur des generativen Modells erfolgen.