Digital Health & AI

Digital Health & AI in der Medizin: Fraunhofer setzt neue Maßstäbe

Die Anwendung und Entwicklung von Künstlicher Intelligenz (KI) für den medizinischen Bereich ist ein Schwerpunktthema der Fraunhofer-Gesellschaft. Mit spezieller Expertise schafft sie innovative Lösungen, die unterschiedliche Stakeholder in der Medizin unterstützen und die Qualität der Gesundheitsversorgung maßgeblich verbessern. Hochqualifizierte Wissenschaftlerinnen von Fraunhofer-Instituten aus den Bereichen Informationstechnik, Naturwissenschaften, Medizin und Ingenieurwesen arbeiten an wegweisenden Projekten, die das Potenzial von KI für die Gesundheit nutzen. Die Forschungsarbeiten erstrecken sich über eine Vielzahl medizinischer Fachgebiete und bieten vielseitige Anwendungsmöglichkeiten. Mithilfe der Analyse großer Datenmengen können präzisere Diagnosen gestellt, personalisierte Behandlungspläne entwickelt und die Effizienz des gesamten Gesundheitssystems gesteigert werden. Infrastrukturell werden Möglichkeiten des Datenaustauschs und der Integration multimodaler Informationen, beispielsweise Bilddaten und Daten aus Patientenakten, erarbeitet. Besonderes Augenmerk liegt auf der Entwicklung qualitätsgesicherter medizinischer Produkte, die den hohen Anforderungen der Gesundheitsbranche gerecht werden. Diese Standards gewährleisten Sicherheit und Zuverlässigkeit der eingesetzten Technologien.

Webinar-Reihe »Expert Dialogue on Digital Health & AI«

Nachfolgend finden sie die Aufzeichnungen der bisherigen Webinar-Sessions aus dem Bereich Digital Health & AI.

Data Heterogeneity and Lack of Interoperability – From Data Landscaping to Full Data Integration

As AI leaves its traces everywhere in the pharmaceutical R&D process, the rapid generation of overviews on published and proprietary data (»data landscapes«) used in a defined context becomes an essential challenge. Finding data, qualifying them as »semantically interoperable« to other data and making them interoperable by e.g. mapping is as tedious as it was in the pre-AI era. However, AI helps us to speed up the process of finding data, FAIRifying data, qualifying them for a purpose (e.g. to serve as test- or validation data sets). In our webinar, we present approaches for data landscaping, semantic harmonization, and semi-automatic interoperability assessment across specific disease cohorts. We demonstrate tools and web applications designed to improve dataset findability, support FAIR data principles, compare cohort characteristics, and facilitate the creation of common data models for harmonized analyses. By combining semantic mapping with semi-automatic integration workflows, these approaches aim to accelerate data integration and promote more reusable and interoperable research infrastructures in disease-centric, translational research.

From Foundation Models to Clinical Trial Emulation

Artificial intelligence in medicine frequently faces the challenge of data scarcity. Strict data protection regulations and the limited availability of large, well-annotated patient cohorts often make it difficult to gather sufficiently large datasets for training AI models that generalize reliably. One promising strategy to overcome this limitation involves the use of Foundation Models (FMs). These models are first pre-trained on vast amounts of unlabeled data to learn rich, modality-specific vector representations. They can then be fine-tuned on relatively small labeled datasets to address specific medical tasks. In this talk, we will outline the principles of FM pre-training and present practical examples of their application to challenges in medical imaging. Data scarcity also plays a critical role in clinical research, particularly in the design and execution of clinical trials. Trials may fail due to difficulties in patient recruitment—especially in the case of rare diseases—insufficient therapeutic efficacy, or unforeseen safety concerns. To mitigate such risks, the emulation of clinical trials using real-world and synthetic data has emerged as a powerful complementary approach. This talk will highlight, through concrete examples, how state-of-the-art generative AI and causal machine learning techniques can be used to realistically emulate clinical trials and support decision-making.

Videoporträts ausgewählter Projekte im Bereich Digital Health & AI

Mit KI Schritt für Schritt zur Parkinson-Diagnose

»Ich sehe was, was du nicht siehst« – Verfahren der Künstlichen Intelligenz (KI) können das tatsächlich. Wie Algorithmen aus Bewegungssensoren Hinweise auf das Bestehen und den Verlauf einer Parkinson-Erkrankung ziehen, zeigt ein neues Videoporträt des vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) geförderten Forschungsprojekt DIGIPD (»Validierung digitaler Biomarker für die bessere personalisierte Behandlung der Parkinsonerkrankung«). Ein Team um Professor Dr. Holger Fröhlich vom Fraunhofer-Institut für Algorithmen und Wissenschaftliches Rechnen (SCAI) suchte mit neuen Methoden nach Hinweisen auf eine Parkinson-Erkrankung.