FB Data Science
Forschungsbereich "Data Science"
Vision
„Wir entwickeln computergestützte Datenanalyseansätze mittels KI weiter und bringen diese zur Anwendung um medizinische Fragestellungen sowie zugrundeliegende Krankheitsmechanismen besser zu verstehen.“
Die Anwendung von computergestützten Ansätzen in den Lebenswissenschaften und der Medizin spielt eine immer wichtigere Rolle. Eine zentrale Herausforderung besteht darin, die am besten geeigneten Tools in Datenanalyseabläufe für klinische Daten, die in standardisierten Formaten (z. B. OMOP) dargestellt werden, anzupassen, zu vergleichen, und zu integrieren. Die Entwicklung und Modularisierung solcher flexiblen Arbeitsabläufe zur Analyse und verbesserten Interpretation von Standardparameter- und Hochdurchsatzdaten, wie beispielsweise klinischen Routinedaten, Blutmessungen oder RNA-Sequenzierungsdaten (bulk, Einzelzell und räumlich-aufgelöst), ist dabei ein essenzieller Faktor. Dabei werden aktuelle Tools wie R, Python und Galaxy sowie weitere Analyseansätze wie Netzwerkanalysen oder Machine Learning (klassisches ML und Deep Learning) genutzt. Darüber hinaus werden die entwickelten Methoden in interdisziplinären Kooperationen in den Bereichen Onkologie, Seltene Erkrankungen, Inflammation, Kardiologie sowie weiteren angewendet und validiert. Die Arbeit des Fachbereiches erleichtert so die Verwendung systemmedizinischer Ansätze im klinischen Umfeld erheblich und trägt somit zu den Zielen der Medizininformatik-Initiative bei, um letztendlich eine verbesserte Diagnose, Prävention und Therapie zu unterstützen.
Eine Auswahl unserer Manuskripte und Poster sind über ResearchGate abrufbar.
Schwerpunkte
Zentrale Forschungsthemen des Bereiches sind:
KI in der Medizin
- Entwicklung von klin. Entscheidungsunterstützungssystemen (CDSS) zur Klassifikation und Einteilung von Patientendaten
- Analyse von Gemeinsamen Datenmodellen (CDM) zur Priorisierung von Parametern
- Generierung von synthetischen Daten auf Basis von tabellarische Patienteninformationen
- Föderiertes maschinelles Lernen zur verbesserten Nutzung von verteilten Daten
Entwicklung von Arbeitsabläufen zur Datenanalyse
- Auswertung von bulk, Einzelzell- und räumlich-aufgelösten Genexpressionsdaten
- Prozessierung und Integration von Multi-Omics Daten mittels Netzwerkmodellierung
- Visualisierung von klinischen Daten mittels Webanwendungen
- Teilautomatisierte Auswertung von med. Bilddaten und Mikroskopieaufnahmen
Leitung des FB

Beteiligte Wissenschaftler*innen


Wissenschaftlicher Mitarbeiter
(Zuständigkeitsbereich: synthetische Daten)
Waldemar Hahn (M. Sc.)

Wissenschaftliche Mitarbeiterin
(Zuständigkeitsbereich: Datenverknüpfungen)
Elisa Henke (M. Sc.)


Ausgewählte Projekte
Digitaler FortschrittsHub MiHUBx (AP6 - Digitale Workflow-Integration in der personalisierten Onkologie) https://www.gesundheitsforschung-bmbf.de/de/mihubx-ein-digitales-okosystem-fur-forschung-diagnostik-und-therapie-13054.php
- Smartes Arztportal für Patienten mit unklarer Erkrankung (Entwicklung eines CDMs für Seltene Erkrankungen) https://www.saturn-projekt.de/
Entwicklung einer Hospital Machine Learning Plattform zur Optimierung der OP-Planung (Datenbereitstellung) https://tu-dresden.de/med/mf/imb/forschung/forschungsprojekte/prosper
Lehrangebote (jedes Semester)
- Komplexpraktikum "Medizinische Informatik I": Medizinische Entscheidungsunterstützungssysteme im Master-/Diplomstudiengang Informatik der Technischen Universität Dresden
- Wahlfach "Kompetenztraining medizinische Data Science" für Medizinstudent:innen der medizinischen Fakultät der TU Dresden
- Leitung von Seminargruppen im Fach "Querschnittsbereich 1: Epidemiologie, medizinische Biometrie und medizinische Informatik" für Medizinstudent:innen sowie Mitarbeiter:innen der medizinischen Fakultät der TU Dresden
Ausgewählte Publikationen
- Ahmadi N, Peng Y, Wolfien M, Zoch M, Sedlmayr M
OMOP CDM Can Facilitate Data-Driven Studies for Cancer Prediction: A Systematic Review.
International journal of molecular sciences 23 (2022), DOI Link - Hoch M, Ehlers L, Bannert K, Stanke C, Brauer D, Caton V, Lamprecht G, Wolkenhauer O, Jaster R, Wolfien M
In silico investigation of molecular networks linking gastrointestinal diseases, malnutrition, and sarcopenia.
Frontiers in nutrition 9 (2022) 989453, DOI Link - Ahmad B, Skorska A, Wolfien M, Sadraddin H, Lemcke H, Vasudevan P, Wolkenhauer O, Steinhoff G, David R, Gaebel R.
The Effects of Hypoxic Preconditioned Murine Mesenchymal Stem Cells on Post-Infarct Arrhythmias in the Mouse Model.
International journal of molecular sciences 23(16) 2022, DOI Link - Hahn W, Schütte K, Schultz K, Wolkenhauer O, Sedlmayr M, Schuler U, Eichler M, Bej S, Wolfien M.
Contribution of Synthetic Data Generation towards an Improved Patient Stratification in Palliative Care.
Journal of personalized medicine 12(8) 2022, DOI Link - Lehmann M, Geissler M, Hahn W, Gebler R, Helm B, Dumke R, Dalpke A, Wolfien M. (2022)
Efficacy of Linear Regression Modelling of SARS-CoV-2 cases based on local wastewater surveillance. Preprint on medRxiv: https://doi.org/10.1101/2022.10.20.22281303 - Schultz K, Bej S, Hahn W, Wolfien M, Srivastava P, Wolkenhauer O. (2022).
ConvGeN: Convex space learning improves deep-generative oversampling for tabular imbalanced classification on smaller datasets. Preprint on arxiv: https://arxiv.org/abs/2206.09812 - Peng, Y., Nassirian, A., Ahmadi, N., Sedlmayr, M., & Bathelt, F. (2021). Towards the Representation of Genomic Data in HL7 FHIR and OMOP CDM. Studies in Health Technology and Informatics. IOS Press. https://doi.org/10.3233/SHTI210545