Deep Learning


Artificial Intelligence


Fuse-AI-Software functions on the basis of self-learning Algorithms (Deep Learning). Its objective is, to supplement the capacities, tasks and competences of a physician. Thereby, not only can the processes in healthcare be shortened, but also can the quality of diagnosis and treatment be optimized.

1. Deep Learning Algorithms

Deep Learning teaches machines to think. Deep Learning Algorithms work similar to the structure of the human brain and are, according to experts, far superior to conventional software.[1]

Deep Learning algorithms are self-learning calculation methods. They are able to take large datasets, transform them into a neural network (similar to that of a human brain). Hence, they are able to classify Data. In other words: Deep Learning algorithms are intelligent programs that are able to identify what they see, hear or read.

There are two methods to train an algorithm:

In “Supervised Learning”, the algorithm receives a dataset, consisting of labelled and unlabelled data. A picture of a cat labelled as such would be “labelled data” and a picture without would be “unlabelled data”. A human data analyst then identifies and corrects all data, that has been mislabelled by the algorithm, so that the neural network can be further optimized in following iterations.

The second method to train an algorithm is “Unsupervised Learning”. The algorithm receives a fully identified and labelled dataset. The algorithm then structures the data into a neural network – without human supervision.

For Applications in Healthcare supervised learning is recommendable, because this method guarantees a lower error rate.

2. We develop Deep Learning Algorithms in Healthcare, with the objective, to enhance the capacities, tasks and competences of physicians, not to substitute them

Technological Developments, have the tendency, to facilitate human labour, with the consequence, that humans unlearn abilities, they needed for the task before technological assistance.

For example, it is realistic to anticipate, that a humam, who uses a navigation-system to reach a destination, has more difficulties without this to technology to orientate himself in a given surrounding, than someone, who learned to orientate himself.

In Healthcare the intelligence and experience of human physicians are irreplaceable. Our applications enhance the capacities of the physician – without replacing the tasks, abilities and competences of the physician. We achieve this goal, by developing algorithms, that interpret pictures pixel by pixel to formulate a clear statement, on what is visable.

We offer assistance for an improved specificity and a more conclusive sensitivity in the areas of

  • scientific research,
  • clinical diagnosis
  • and application in clinical routine

Self-learning algorithms can shorten processes in clinics and therefor reduce costs. One example the  sophisticated windowing technique, which is an examination method in nuclear medicine.

Our Deep Learning algorithms understand and describe, what they see on an image. This implies, that for example a radiologist or a physician, receives a classified scan, with a description “An object A is located in area B, with the size C”. If the physician implements this description into his diagnosis, not only can the temporal process be strongly shortened, but the quality of the diagnosis increases.

3. Deep Learning Algorithms will change Healthcare and the global service sector

Deep Learning algorithms are already now the basis of numerous intelligent functions in Healthcare-Applications for mobile devices: You can find these kind of understanding systems for example in digital Healthcare-Assistance like Your.MD, Ome or Babylon Health. The user can ask the application a question or explains his symptoms. The App than confirms a diagnosis or gives suggestions on treatment.

Intelligent Algorithms can be found in many scientific research programs. The company DeskGen uses them for the method “CRISPR” to find DNA-sequences, that are cut out to be replaced by new DNA.

Stratified Medical works with Deep Learning, to optimize processes in Drug Discovery. Deep Genomics uses Deep Learning to encrypt the human genome, to make prognoses on possible cancer disease. 

Numerous Deep Learning Algorithms already find use in clinical application. Enlitic uses intelligent image recognition to optimise diagnosis on the basis of radiological scans. The momentarily most successful algorithm (Inceotion-v3 (Arxiv)) for intelligent image recognition only has an error rate of 3,46 % - the best human (who was one of its developers) achieved an error rate of 5 %. Here the algorithm exceeds human performance.

Globally the largest part of labour force concentrates on the service sector. Healthcare is part of this sector. In 2014, Jeremy Howard made the prognosis, that self-learning algorithms could overtake this sector to its entirety. If this prognosis is correct, it makes sense, to deal with this highly developed technology on the basis of neural networks, to remain competitive.

4. Handling the data of our customers and their patients responsibly is of highest priority to us

We plan to work with clinics, who give the data of their patients to us, with their agreement (Informed Consent) and following anonymisation of the data to train our algorithms. When the anonymised Data, the documentation or the treatment documents are no longer need, we guarantee to the data protection authorities to delete them. We will regulate by contract the prohibition of data transfer to third parties, that are not involved in the training process of the algorithm.

5. Amount of work, work stages or additional costs – we guarantee added value and improved outcomes

Fuse-AI offers you the personalised solution for the use of self-learning systems. You can consider transferring your data to us an investment in improved solutions and personalised treatment. Fuse-AI software allows facilitation of clinical routine, your F&E-tasks and your customer relations.

[1] VGL Hinton, Geffrey; LeCun, Yann; Bengio, Yoshua: Deep Learning, Nature, 2015


Die Fuse-AI-Software basiert auf selbstlernenden „Deep Learning“ Algorithmen. Ihr Ziel ist es, die Fähigkeiten, Aufgaben und Kompetenzen der Ärzte zu ergänzen. Damit werden nicht nur Prozesse im Gesundheitswesen verkürzt, sondern auch die Qualität in Diagnostik und der Behandlung verbessert.

1. Deep Learning Algorithmen

Deep Learning bringt Maschinen das Denken bei.Deep Learning Algorithmen orientieren sich an der Struktur des menschlichen Gehirns und sind nach Experten-Meinung herkömmlicher Software weit überlegen.

Deep Learning Algorithmen sind selbstlernende Berechnungsverfahren. Sie bringen große Datensätze in eine neuronale Struktur, die der Struktur des Gehirns nachempfunden ist. Dadurch sind sie in der Lage Daten zu klassifizieren. Mit anderen Worten: Deep Learning Algorithmen sind intelligente Programme, die identifizieren können, was sie sehen, hören oder lesen.

Es gibt zwei Möglichkeiten, einen solchen Algorithmus zu trainieren:
Beim “Supervised Learning” erhält der Algorithmus einen Datensatz, in dem sich gekennzeichnete Daten (“labelled Data”) und nicht-gekennzeichnete Daten (“unlabelled Data”) befinden.
Der Unterschied lässt sich an dem bekannten Beispiel des Bildes einer Katze verdeutlichen: Bei dem Bild der Katze, das mit der Beschreibung „Katze“ gekennzeichnet ist, handelt es sich um „labelled Data“. Bei dem Bild der Katze, das nicht als solches gekennzeichnet ist, handelt es sich um „unlabelled Data“.
Ein menschlicher Datenanalyst identifiziert alle Dateien, die der Computer falsch klassifiziert hat, so dass das neuronale Netzwerk mit dieser Korrektur optimiert werden kann. Der Mensch trainiert hier also die Maschine.

Beim „Unsupervised Learning“ wird der Algorithmus mit einem vollständig gekennzeichneten Datensatz gefüttert. Hier strukturiert der Algorithmus den Datensatz selbst in ein neuronales Netzwerk - ohne Zugriff des Menschen.

Für Anwendungen im Healthcare-Bereich bietet sich „Supervised-Learning“ an, da der Algorithmus auf diese Art und Weise eine geringere Fehlerrate garantiert.

2. Wir entwickeln Deep Learning Algorithmen im Gesundheitswesen mit dem Ziel, die Fähigkeiten, Aufgaben und Kompetenzen der Ärzte zu ergänzen - nicht um diese zu ersetzen

Technologische Entwicklungen haben die Tendenz, die menschliche Arbeit zu erleichtern, so dass der Mensch dadurch bestimmte Fähigkeiten verliert.

Zum Beispiel kann man davon ausgehen, dass ein Mensch, der ein Navigationssystem zum Erreichen eines Zieles verwendet, größere Schwierigkeiten hat sich z.B. in einer Stadt zu orientieren, als jemand, der er es gelernt hat, sich selbst zurecht zu finden.

Im Gesundheitswesen sind die Intelligenz und die Erfahrung von Menschen jedoch unersetzbar. Die von uns entwickelten Deep Learning Algorithmen erweitern daher die Kapazitäten - ohne die  Aufgaben, Fähigkeiten oder Kompetenzen des Arztes zu ersetzen. Dieses Ziel erreichen wir durch selbstlernende Algorithmen, die die Pixel eines Bildes interpretieren und eine eindeutige Aussage dazu formulieren. Wir bieten Hilfestellung für eine verbesserte Spezifität und eine aussagekräftige Sensitivität in den Bereichen der

  • wissenschaftlichen Forschung,
  • der klinischen Diagnostik
  • und für Anwendungen im Klinikalltag

Selbstlernende Algorithmen können Abläufe in Krankenhäusern deutlich verkürzen und somit Kosten einsparen. Ein Beispiel sind nuklearmedizinische Untersuchungsmethoden mit ihrer ausgereiften Fenstertechnik.

Der von uns entwickelte lernende Algorithmus versteht, was er auf einem Bild sieht und kann das Bild beschreiben. Das bedeutet, dass z.B. ein Radiologe oder auch ein behandelnder Arzt eine klassifizierte Abbildung mit einem beschreibenden Text der Art „Ein Objekt A befindet sich in Bereich B, mit Durchmesser C.“ erhält. Bezieht der Arzt nun diese Abbildung bei der Diagnosestellung mit ein, wird der ganze Prozess nicht nur zeitlich enorm verkürzt, sondern die Diagnostik auch qualitativ erheblich verbessert.

3. Deep Learning Algorithmen werden das Gesundheitswesen und den gesamten darauf aufgebauten Dienstleistungssektor verändern

Deep Learning Algorithmen sind schon jetzt die Grundlage zahlreicher intelligenter Funktionen in Healthcare Anwendungen für Mobiltelefone oder Handheld-Geräte: Uns Menschen „verstehende“ Systeme tauchen z.B. in persönlichen Gesundheitsassistenten wie Your.MD, Ome oder Babylon Health auf. Hier stellt der Nutzer der Anwendung eine Frage oder beschreibt seine Symptome. Daraufhin erstellt die App eine Diagnose, macht  Behandlungsvorschläge oder gibt Tipps.

Intelligente Algorithmen finden sich auch in vielen Ansätzen in der Forschung. Das Unternehmen DeskGen nutzt sie bei der Methode „CRISPR“ um die DNA-Sequenzen zu finden, die herausgeschnitten und durch neue DNA ersetzt werden kann.

Stratified Medical arbeitet mit Deep Learning, um die Prozesse der Drug Discovery zu optimieren. Deep Genomics hat sich der Entschlüsselung des menschlichen Genoms verschrieben, um Krebserkrankungen früher vorhersagen zu können und greift dabei auf Deep Learning zurück.

Zahlreiche Deep Learning Algorithmen befinden sich bereits in der klinischen Anwendung. Enlitic nutzt die intelligente Bilderkennung, um die Diagnose auf der Grundlage von radiologischen Scans zu optimieren.

Der aktuell erfolgreichste Algorithmus (Inception-v3 (Arxiv)) zur Bilderkennung hat eine Fehlerrate von nur 3,46 % - ein Mensch dagegen hat nach Auswertung des gleichen Tests mit einer Fehlerrate von 5 % abgeschnitten.

Global konzentriert sich der größte Teil der Arbeitskraft auf den Dienstleistungssektor. In diesen Sektor fällt auch die Healthcare Branche. Jeremy Howard machte 2014 die Vorhersage, dass selbstlernende Algorithmen, einen Großteil der Beschäftigung im Dienstleistungssektor übernehmen können. Trifft diese Vorhersage zu, macht es Sinn, sich mit hochentwickelten der Technologie auf der Grundlage von neuronalen Netzwerken zu beschäftigen, um konkurrenzfähig zu bleiben.

4. Der verantwortungsvolle Umgang mit den Daten unserer Kunde und deren Patienten hat die höchste Priorität

Wir wollen u.a. mit Kliniken zusammenarbeiten, die die Daten ihrer Patienten und nach deren Einwilligung (Informed Consent) und darauffolgender Anonymisierung an uns weitergeben, um unsere Algorithmen zu trainieren und weiter zu entwickeln.

Sobald diese anonymisierten Daten, Dokumentation oder Behandlungsunterlagen nicht mehr benötigt werden, garantieren wir das Löschen selbiger Daten lt. den Datenschutz-Aufsichtsbehörden.

Ein Verbot für die Weitergabe an Dritte, die nicht am Trainingsprozess des Algorithmus involviert sind, werden wir vertraglich regeln.

5. Arbeitsaufwand, Arbeitsschritte oder Mehrkosten - wir schaffen Mehrwert: verbesserte Ergebnisse!

Fuse-AI bietet DIE für Sie personalisierte Lösung durch den Einsatz von lernenden Systemen an.

Ihre Weitergabe von Daten an uns ist ein Investment in eine verbesserte und personalisierte Behandlung.

Wir schaffen mit unserer Software eine Erleichterung im Klininkalltag, Ihren F&E-Aufgaben und Ihren Customer Relations.


找到我们 Find Us

Artificial Intelligence Specialists

Address: Bergstraße 16, D-20095 Hamburg
Phone: 040 450 318 0