Benutzerspezifische Werkzeuge

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.

Forschungsbereich Data Science
Der Forschungsbereich - bitte für Vergrößerung klicken

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 

  Detailinformationen zu unseren Forschungsprojekten können Sie hier entnehmen.

Leitung des FB

 

Platzhalter Bild

Wissenschaftliche Mitarbeiterin

Dr.-Ing. Miriam Goldammer

 


Platzhalter Bild

Wissenschaftlicher Mitarbeiter

Dr.-Ing.  Markus Wolfien

Beteiligte Wissenschaftler*innen

Wissenschaftliche Mitarbeiterin

(Zuständigkeitsbereich: Analyse von CDMs)

Najia Ahmadi (M. Sc.)


Platzhalter Bild

Wissenschaftlicher Mitarbeiter

Franz Ehrlich (Dipl.-Inf.)


Waldemar Hahn

Wissenschaftlicher Mitarbeiter

(Externer Mitarbeiter: SCADS.AI)

Waldemar Hahn (M. Sc.)


Alexandra Baumann

Wissenschaftliche Mitarbeiterin

(Externe Mitarbeiterin: SCADS.AI; OLCIR)

Alexandra Baumann (M. Sc.)


Lehrangebote (jedes Semester)

  • Komplexpraktikum "Medizinische Informatik I": Medizinische Entscheidungsunterstützungssysteme im Master-/Diplomstudiengang Informatik der Technischen Universität Dresden
  • Wahlfach "Kompetenztraining medizinische Data Sciencefür Medizinstudent:innen der medizinischen Fakultät der TU Dresden
  • Leitung von Seminargruppen im Fach "Querschnittsbereich 1: Epidemiologie, medizinische Biometrie und medizinische Informatikfür Medizinstudent:innen sowie Mitarbeiter:innen der medizinischen Fakultät der TU Dresden

Ausgewählte Publikationen

  • Ahmadi, N; Quang Vu Nguyen, H; Seldmayr, M; Wolfien, M - A comparative patient-level prediction study in OMOP CDM: applicative potential and insights from synthetic data (2024) Link
  • Schultz, K; Bej, S; Hahn, W; Wolfien, M; Srivastava, P; Wolkenhauer, O - ConvGeN: A convex space learning approach for deep-generative oversampling and imbalanced classification of small tabular datasets (2024) Link
  • Vasudevan, P; Wolfien, M; Lemcke, H; Lang, C; Skorska, A; Gaebel, R; Galow; A-M; Koczan, D; Lindner, T; Bergmann, W; Mueller-Hilke, B; Vollmar, B; Krause, B; Wolkenhauer, O; Steinhoff; G; David, R - CCR2 macrophage response determines the functional outcome following cardiomyocyte transplantation (2023) Link
  • Scheel, J; Hoch, M; Wolfien, M; Gupta, S - NaviCenta - The disease map for placentral research (2023) Link
  • Salybekov, A; Wolfien, M; Hahn, W; Hidaka, S; Kobavashi, SArtificial Intelligence Reporting Guidelines' Adherence in Nephrology for Improved Research in Clinical Outcomes (2024) Link
  • Ahmadi, N.; Zoch, M., Kelbert, M.; Noll, R.; Schaaf, J.; Wolfien, M.; Sedlmayr, M. - Methods used in the development of Common Data Models for health data – a Scoping Review (2023); DOI-Link
  • Wolfien, M.; Ahmadi, N.; Fitzer, K.; Grummt, S.; Heine, K.; Jung, I.-C.; Krefting, D.; Kühn, A.; Peng, Y.Reinecke, I.; Scheel, J.; Schmidt, T.; Schmücker, P.; Schüttler, C.; Waltemath, D.; Zoch, M.; Sedlmayr, M. - Ten topics to get started in Medical Informatics research (2023), DOI-Link 
  • Lang CI, Dahmen A, Vasudevan P, Lemcke H, Gäbel R, Öner A, Ince H, David R, Wolfien M
    Cardiac Cell Therapies for the Treatment of Acute Myocardial Infarction in Mice - Systematic Review and Meta-Analysis (2023); DOI Link
  • Bühler D, Power-Guerra N, Müller L, Wolkenhauer O, Düffer M, Vollmar B, Kuhla A, Wolfien M
    Leptin deficiency-caused behavioral change -a comparative analysis using EthoVision and DeepLabCut (2023);
    DOI Link
  • Ahmadi, N; Zoch, M; Sedlmayr, B; Schuler, K; Hahn, W; Sedlmayr, M.; Wolfien, M 
    Context-Sensitive Common Data Models for Genetic Rare Diseases – A Concept (2023); DOI Link
  • Hahn, W; Sedlmayr, M; Wolfien, M
    Word2Vec embeddings for categorical values in synthetic tabular generation (2023); DOI Link
  • Goldammer, M, Zaunseder, S; Brandt, M D; Malberg, H; Gräßer, F M
    Investigation of automated sleep staging from cardiorespiratory signals regarding clinical applicability and robustness (Jan 2022);  DOI Link
  • Ahmadi NPeng YWolfien MZoch MSedlmayr 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