In der medizinischen Forschung und im Behandlungsalltag fallen große und unterschiedliche Datenmengen an: aus der medizinischen Bildgebung, der Labordiagnostik, klinische Vitalwerte von Patienten während der Behandlung und vieles mehr. Diese Daten zu bewerten und daraus Rückschlüsse auf die gesundheitliche Entwicklung eines Patienten oder für konkrete Therapieentscheidungen zu schließen, bedarf großer Erfahrung.
KI-Systeme können hier die Behandelnden unterstützen. Beim sogenannten Machine Learning werden KI-Systeme mit möglichst großen Mengen vorab bewerteter Daten – beispielsweise Röntgenbildern mit den zugehörigen Diagnosen – angelernt. Dabei erkennen sie in den Daten charakteristische Muster, die helfen können, in neuen Röntgenbildern Krankheitsmerkmale zu identifizieren und Ärzte darauf hinzuweisen.
Ein „virtueller Doc“ ist ein KI-System, welches über verschiedene Sensoren eigenständig mit dem Patienten interagiert und Diagnosen stellen kann. Ein solcher kann beispielsweise schwerkranke Patienten auch zuhause laufend beobachten und bei absehbaren Veränderungen frühzeitig die behandelnden Ärzte warnen.
Prof. Heider entwickelt unter anderem Methoden, um heterogene medizinische Daten zu analysieren: „Es geht in unserer Forschung darum, sowohl die Diagnostik zu unterstützen als auch neue, datenbasierte Diagnoseverfahren einzuführen, beispielsweise bei Krebs.“
Berücksichtigt werden auch sogenannte Omics-Daten; ein Oberbegriff für verschiedene molekularbiologische Methoden wie die Genomik oder Proteomik. Heider: „Durch die Analyse sehr großer, auch grenzüberschreitend gewonnener Datenbestände wollen wir generelle Entwicklungen von Erkrankungen oder Infektionen – beispielsweise die Ausbildung antimikrobieller Resistenzen – entdecken. So können mögliche neue medizinische Handlungsfelder identifiziert werden.“
Ein wichtiges Thema ist der Datenschutz. Im KI-Kontext ist das „föderale Lernen“ ein möglicher Ansatz. Hierunter versteht man Modelle, die auf mehreren Geräten auf jeweils nur lokal vorhandenen Daten – im Gegensatz zu zentral zugreifbaren Datensätzen – trainiert werden. Heider: „Über diese Methode kann zum Beispiel der Zugriff auf besonders schützenswerte Patientendaten eingeschränkt werden, die Lernergebnisse sind aber global verfügbar.“
Prof. Heider wird eng mit anderen bioinformatisch forschenden Arbeitsgruppen an der HHU und am Universitätsklinikum Düsseldorf (UKD) zusammenarbeiten und die KI-Forschung am Standort noch stärker vernetzen.
Zur Person
Dominik Heider (geboren 1982 in Essen) studierte Informatik an der Westfälischen Wilhelms-Universität Münster (Diplom 2006), wo er auch im Jahr 2008 mit einer Arbeit zu DNA-basierten Wasserzeichen promovierte. 2012 habilitierte er an der Universität Duisburg-Essen. Von 2013 bis 2014 war er Associate Director bei der QIAGEN GmbH in Hilden, anschließend bis 2016 Professor für Bioinformatik am TUM-Campus Straubing. Von 2016 bis 2023 war er Professor an der Philipps-Universität Marburg. Ab dem 1. Oktober 2023 ist er W3-Professor für Machine Learning for Medical Data an der HHU.
Prof. Heider forscht zum Einsatz von Künstlicher Intelligenz beim Umgang mit medizinischen Daten, sowohl für diagnostische Zwecke als auch zur generellen Analyse von Krankheiten und Infektionen. Er veröffentlichte 114 Arbeiten in begutachteten Journalen, unter anderem in Lancet Digital Health, Nature Communications, Gut und Nucleic Acids Research.
Heider ist Mitglied zahlreicher Fachgesellschaften, unter anderem gehört er zum Vorstand der Data Science Society. Er warb zahlreiche Drittmittelprojekte ein, auf EU-, BMBF-, BMWi- und DFG-Ebene sowie Landesförderungen und bei Stiftungen. Für sein besonderes Engagement für die Gleichstellung wurde er 2020 mit dem Frauenförderpreis der Universität Marburg ausgezeichnet.