KI in der Medizin

Daniel Rückert

Professor Rückert arbeitet auf dem Gebiet der biomedizinischen Bildverarbeitung gearbeitet und dabei alle Aspekte von der Bildaufnahme bis zur Bildanalyse und -interpretation abgedeckt. Seine Forschungsschwerpunkte liegen in den folgenden Bereichen:

  • Entwicklung von innovativen Algorithmen zur Bilderakquisition, Bildanalyse und Bildinterpretation – insbesondere in den Bereichen Registrierung, Rekonstruktion, Tracking, Segmentierung und Modellierung.
  • Ansätze der Künstlichen Intelligenz und der Maschinellen Lernens zur Extraktion klinisch nützlicher Informationen aus medizinischen Bildern - insbesondere zur computergestützten Erkennung, Diagnose und Entscheidungsunterstützung.

Professor Rückerts Forschung ist gekennzeichnet durch ein starkes Interesse an der klinischen Übersetzung: Um die Translation von Forschungsergebnissen in die Gesundheitsversorgung zu erleichtern, hat Professor Rückert  IXICO mitgegründet, um die entwickelten Algorithmen zu kommerzialisieren. IXICO bietet Bildanalyselösungen und bildgebende Biomarker für klinische Studien in der pharmazeutischen Industrie und der Gesundheitsdiagnostik an. Seit 2003 ist IXICO stark gewachsen und beschäftigt heute weit über 50 Mitarbeiter. Die Technologien von IXICO wurden in mehr als 60 groß angelegten klinischen Studien mit mehr als 20.000 Patienten eingesetzt.

Forschungsschwerpunkte

Das Forschungsziel unserer Gruppe besteht darin, Techniken der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) für die Analyse und Interpretation biomedizinischer Daten zu entwickeln. Unsere Forschungsschwerpunkte liegen in den Bereichen:

  • KI für Diagnose, Prävention und Früherkennung von Krankheiten
  • KI für individualisierte und personalisierte Therapien und Interventionen
  • KI zur Identifizierung von neuen Biomarkern und Interventionszielen
  • Sichere, robuste und interpretierbare KI Ansätze für biomedizinische Daten
  • „Privacy-preserving“ KI Methoden

Unsere Forschungsgruppe hat ein besonders starkes Interesse an der Anwendung zur Verbesserung des Verständnisses der Entwicklung des Gehirns (in- und ex-utero), zur Verbesserung der Diagnose und Stratifizierung von Patienten mit Demenz, Schlaganfall und Schädel-Hirn-Trauma sowie zur umfassenden Diagnose und Behandlung von Patienten mit Herz-Kreislauf-Erkrankungen und Krebs.

Wichtige Auszeichnungen

  • Fellow, British Computer Society (2010)
  • Fellow, MICCAI Society (2014)
  • Fellow, Royal Academy of Engineering (2015)
  • Fellow, IEEE (2015)
  • Fellow, Academy of Medical Sciences (2019)
  • Fellow, International Academy of Medical & Biological Engineering (2020)
  • Alexander von Humboldt Professur für Künstliche Intelligenz (2020)
  • ERC Synergy Grant (2013), ERC Advanced Grant (2020)

Ausgewählte Publikationen

K. Kamnitsas, C. Ledig, V. F. J. Newcombe, J. P. Simpson, A. D. Kane, D. K. Menon, D. Rueckert and B. Glocker. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation. Medical Image Analysis 36: 61-78, 2017.

J. Schlemper, J. Caballero, J. V. Hajnal, A. N. Price and D. Rueckert. A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction. IEEE Transactions on Medical Imaging, 37(2): 491-503, 2018.

G. A. Bello, T. J. W. Dawes, J. Duan, C. Biffi. A. de Marvao, L. S. G. E. Howard, J. S. R. Gibbs, M. R. Wilkins, S. A. Cook, D. Rueckert and D. P. O'Regan. Deep learning cardiac motion analysis for human survival prediction. Nature Machine Intelligence. 1:95-104, 2019.

D. Rueckert and J. A. Schnabel. Model-Based and Data-Driven Strategies in Medical Image Computing. Proceedings of the IEEE 108(1): 110-124, 2020.

G. A. Kaissis, M. R. Makowski, D. Rueckert and R. F. Braren. Secure, privacy-preserving and federated machine learning in medical imaging. Nature Machine Intelligence 2: 305–311, 2020.