Von Deep Learning zu vertrauenswürdigen Entscheidungen: Erklärbare Tumorerkennung im OP
KI verspricht transformatives Potenzial für die Tumorerkennung in der chirurgischen Onkologie. Damit aus einem Modell jedoch eine vertrauenswürdige Entscheidungsunterstützung im OP wird, braucht es erfolgreiche Mensch-KI-Kollaboration.In diesem Vortrag geben wir Einblicke in die Entwicklung und Evaluierung einer Deep-Learning-basierten Bildklassifikation für die Tumorerkennung, basierend auf manuell annotierten Bilddaten und entwickelt in Kooperation mit der Klinik für HNO der Helios HSK.
Außerdem zeigen wir, wie ein erklärbares User Interface es Chirurg:innen ermöglicht, Modellentscheidungen nachzuvollziehen, Unsicherheiten zu verstehen und der KI im entscheidenden Moment zu vertrauen.
Vorkenntnisse
Grundkenntnisse in Machine Learning oder UX/UI Design sind hilfreich, aber nicht erforderlich. Der medizinische Kontext wird im Laufe des Vortrags praxisnah gegeben.
Lernziele
Teilnehmende lernen, wie Deep Learning und XAI-Visualisierungen zusammenwirken, um bildgebende KI-Systeme im OP nutzbar zu machen. Sie erhalten Einblicke in die technische Entwicklung, Interface-Design und die zentralen Prinzipien vertrauenswürdiger Mensch-KI-Kollaboration.
Speaker
Alina Döring verbindet KI-Entwicklung und User Experience Design, um menschenzentrierte KI-Systeme zu gestalten, die in der Praxis Vertrauen und Verständnis bei den Endanwender:innen schaffen. Ihr Schwerpunkt liegt auf der visuellen Umsetzung von Explainable-AI-Methoden im User Interface Design und der Frage, wie echte Menschen-KI-Kollaboration möglich wird.
Stefanie Marx ist Data & Machine Learning Engineer bei der inovex GmbH. Nach ihrem Studium in Mathematik und Informatik arbeitet sie in datengetriebenen Projekten im Bereich Handel und e-Health. Ihr Schwerpunkt liegt auf der Entwicklung und Evaluierung robuster Computer-Vision-Anwendungen für medizinische Daten und sie unterstützt dabei, datenbasierte Entscheidungen effizient und zuverlässig umzusetzen.