Blog

Services, die Sie (wahrscheinlich) noch nicht von uns kennen

Wir sind fünf Jahre nach unserer Gründung ein breit aufgestellter Auftragnehmer für Unternehmen aus den Bereichen Medizin, Medizintechnik und Pharmazie. Wir möchten Ihnen das ganze Spektrum unsere 10 Services vorstellen, von denen Sie einige vielleicht noch nicht kennen. Heute stellen wir Ihnen 3 davon vor: Medizinische Apps, Health Marketing, Data Science.
Read more

Wie ist es, bei FUSE-AI zu arbeiten, Pauline?

Kurz vor dem Abschluss ihres 5-monatigen Praktikums haben wir unserer Praktikantin im Bereich PM und Konzept Pauline Beer, ein paar Fragen gestellt. Wir waren neugierig, was sie bei uns gelernt hat, was ihr besonders gefallen hat und ob sie uns weiterempfehlen kann. Pauline Beer ist 21 und Studentin der Gesundheitswissenschaft an der TU München. Ende September kommt sie als…
Read more

Medikamentenentwicklung mit
Medizinischer Bioinformatik – ein neues Aufgabenfeld für FUSE-AI

„Unter Bioinformatik verstehen wir die Erforschung, Entwicklung und Anwendung computergestützter Methoden zur Beantwortung molekularbiologischer und biomedizinischer Fragestellungen“[1], so die Deutsche Gesellschaft für Medizinische Informatik, Biometrie und Epidemiologie e.V. Um die exakten Angriffspunkte für Therapien zu finden, müssen Forscher die komplexen Grundlagen von biologischen Prozessen besser verstehen. Oft reichen dafür statistische Methoden nicht aus, so dass…
Read more

Projekt KIRMES – Künstliche Intelligenz in radiologischen Messungen

FUSE-AI entwickelt zusammen mit der Universität Lübeck, dem BG Klinikum und dem Institut für Zukunftsstudien und Technologiebewertung das Projekt KIRMES. Das Bundesministerium für Bildung und Forschung (BMBF) will mit der Hightech-Strategie 2025 das Ideen-/Innovationspotenzial von Start-ups im Bereich Spitzenforschung zu interaktiven Technologien für Gesundheit und Lebensqualität stärken. Start-ups sind Treiber für Innovationen und tragen ganz…
Read more

Auf der International Conference
on Medical Imaging with Deep Learning

Vom 7. bis 9. Juli 2021 war Lübeck Gastgeber der diesjährigen MIDL, auf der zahlreiche nationale und internationale Wissenschaftler*innen ihre aktuellen Arbeiten zum Einsatz von Deep Learning in der Medizin vorstellten. Nach London, Montreal und Amsterdam fand die internationale Konferenz nun in Norddeutschland online statt. Die MIDL bringt zum vierten Mal die Community von Deep-Learning-…
Read more

Bioinformatik ist der Megatrend in der Medizin: FUSE-AI bei der “Opportunities in Computational Biology“ in Tel Aviv

Die Biologie wird digital. Dabei liegt der Fokus auf der Verlängerung der Lebenserwartung bei einer gleichzeitigen Verlangsamung des Alterungsprozesses und Verbesserung der Lebensqualität. KI und Big Data ermöglichen eine bessere Diagnostik. Präzisionsmedizin ist damit keine Zukunftsvision mehr, sondern schon heute möglich. Alle diese Lösungen basieren auf akademischer Forschung – eine enge Verzahnung von Forschung und Wirtschaft ist dabei entscheidend.  
Read more

“Deep Learning in Healthcare”: Vortrag von Juri Rohde bei VDE Veranstaltung

Wenn KI-basierte Software als Medizinprodukt verstanden wird, werden auch Barrieren zum Thema KI abgebaut. Entscheidend ist die Verantwortung gegenüber den Patient*innen, vor allem in Bezug auf Datenschutz und Privatsphäre. Durch KI kann die Patiente*innenversorgung stark verbessert werden. Das medizinische Fachpersonal kann mehr Zeit für Anamnese und Diagnostik aufwenden.   
Read more

Ensemble-Learning:
Mit mehreren KI-Models erreichen wir höhere Sensitivität in der Vorhersage

Unsere Ansprüche an Prostate.carcinoma.ai sind hoch. Die Software soll die Prostata erkennen und vermessen, sie in verschiedene Zonen segmentieren und auffällige Bereiche markieren, die auf eine Läsion hinweisen können. Dafür trainieren unsere neuronalen Netze Tag und Nacht mit Deep Learning Methoden. Unmarkierte MRT-Bilder, annotierte MRT-Bilder und zahllose Metadaten durchlaufen verschiedene Algorithmen, wobei Models aus Vorhersagevariablen (Prädiktoren) generiert werden. Diese Models treffen dann eine Entscheidung, die im besten Fall mit den Befunden aus der Radiologie übereinstimmen. Eine große Menge an Trainingsdaten sind neben einem leistungsfähigen KI-Model die Grundvoraussetzung für eine hohe Erkennungsrate und einer niedrigen Falsch-Positiv-Rate. 
Read more