„Jung, smart, innovativ: Die KI-Talente von heute werden unsere Gesellschaft von morgen entscheidend prägen. Deshalb unterstützen wir zehn exzellente Postdocs und ihre KI-Projekte mit insgesamt rund fünf Millionen Euro“, gab Wissenschaftsminister Markus Blume heute in München bekannt. Eines der geförderten Forschungstalente ist Dr. Kata Vuk, Postdoc in der Arbeitsgruppe von Professorin Dr. Merle Behr an der Fakultät für Informatik und Data Science der Universität Regensburg (UR). Das Projekt der Mathematikerin will die Anwendung von maschinellen Lernmodellen im Gesundheitsbereichverbessern.
Das Bayerische Staatsministerium für Wissenschaft, Forschung und Kunst fördert mit dem Programm besonders talentierte KI-Nachwuchskräfte nachhaltig bei der Entwicklung eines eigenen Forschungsprofils als Basis für eine langfristige Karriere in der Wissenschaft. „Denn Fakt ist: Künstliche Intelligenz wird unser Leben in vielen Bereichen erheblich verändern und diesen Prozess wollen wir nach unseren Werten mitgestalten,“ so Minister Blume.
Ab Januar 2025 werden die Forschenden, die am Beginn ihrer wissenschaftlichen Karriere stehen, in das Graduate Center am Bayerischen Forschungsinstitut für Digitale Transformation (bidt), einem Institut der Bayerischen Akademie der Wissenschaften, aufgenommen. Die Förderung ist für eine Dauer von bis zu vier Jahren vorgesehen. Sie umfasst Personalmittel für die Postdocs, Forschungsmittel sowie die Unterstützung bei Vernetzung und Weiterqualifikation im Bereich Digitalisierung. Zur Förderung empfohlen wurden die Forschungstalente und ihre beantragten Projekte von einer außerbayerischen Expertenkommission.
Kata Vuks Projekt „From Data to Discovery in the Healthcare Information Age: Interpretable Machine Learning with Piecewise Constant Models” zielt darauf ab, die Anwendung von maschinellen Lernmodellen im Gesundheitsbereich zu verbessern. „Dabei lege ich den Fokus auf die Entwicklung von Modellen, die nicht nur präzise Vorhersagen ermöglichen, sondern auch leicht verständlich sind. Im Gesundheitsbereich ist dies besonders wichtig, da medizinische Entscheidungen nachvollziehbar und transparent sein müssen,“ erklärt Kata Vuk, die 2023 im Anschluss an ihr Mathematik-Studium an der Ruhr-Universität Bochum dort am Lehrstuhl für Wahrscheinlichkeitstheorie und ihre Anwendungen promovierte. Seit Juni 2023 verstärkt sie an der Universität Regensburg die Arbeitsgruppe Maschinelles Lernen von Merle Behr. Ihre Forschungsergebnisse fließen auch in den von der Deutschen Forschungsgemeinschaft an der Universität Regensburg geförderten Sonderforschungsbereich TRR 374, der zu chronischen Nierenerkrankungen forscht.
Die Mathematikerin untersucht stückweise konstante Modelle, insbesondere Entscheidungsbäume und Change-Point-Modelle. Stückweise konstante Modelle sind mathematische Verfahren, die komplexe Zusammenhänge in einfacher Form darstellen. Entscheidungsbäume und Change-Point-Modelle helfen dabei, Daten zu analysieren, um zum Beispiel Entscheidungen zu treffen oder Veränderungen in Datenmustern zu erkennen. Kata Vuk entwickelt Ansätze, diese Modelle so anzupassen, dass sie sowohl individualisierte Vorhersagen treffen als auch verständlich bleiben. „Entscheidungsbäume, die sich besonders gut für tabellarische Daten, etwa tabellarische Patientendaten, eignen, bieten hohe Vorhersagekraft, neigen jedoch in komplexen Kombinationen dazu, ihre Interpretierbarkeit zu verlieren“, erläutert Vuk.
Change-Point-Modelle, die für serielle Daten wie zeitabhängige Vitalparameter oder genetische Informationen genutzt werden, werden wiederum optimiert, um Interpretierbarkeit auch bei hohen Dimensionen sicherzustellen: „Dies ist entscheidend, um spezifische Veränderungen im Gesundheitszustand einer Patientin bzw. eines Patienten oder in genetischen Sequenzen zu identifizieren“, so Vuk. „Langfristig strebt das Projekt an, solche interpretierbaren Modelle für personalisierte Medizin einzusetzen, um maßgeschneiderte Behandlungsstrategien zu entwickeln“, fügt Merle Behr an, die sich sehr über den Erfolg der an ihrem Lehrstuhl tätigen Postdoc freut.