KI und mathematische Optimierung sind als Schlüsseltechnologien für die Entwicklung innovativer Verfahren mittlerweile in nahezu allen wissenschaftlichen Bereichen von zentraler Bedeutung. In Rahmen des MTI sind in unserer AG aktuell dabei Forschungsfragen und Anwendungen mit biomedizinischem und biomechanischem Bezug von besonderer Bedeutung. In aktuellen Projekten werden

Systeme entwickelt, die künstliche Intelligenz (KI) nutzen, um Bewegungsabläufe und physische Belastungen auf der Grundlage von Videodaten automatisiert zu analysieren;
MMSO Methoden zur Analyse und Prävention von Epidemien neuentwickelt;
Techniken des ML dazu verwendet, um aus Beobachtungsdaten kausale Effekte abzuleiten, die die Auswirkungen medizinischer Eingriffe auf klinische Ergebnisse sowie die Auswirkungen biologischer Eingriffe auf das Zellverhalten besser verständlich und damit auch abschätzbar zu machen;
Algorithmen und Systeme zur Verarbeitung und Interpretation von Sensordaten entwickelt, die ML und Expertenwissen geeignet kombinieren;
Formoptimierungsmethoden entwickelt, die es mittelfristig gestatten, Implantate maßzuschneidern;
Konzepte für die Bereitstellung maßgeschneiderter neuronaler Netze entwickelt.

In der Zukunft wird unsere AG das Zusammenspiel von KI und Optimierung auch unter Einbeziehung von Expertenwissen weiter verbessern und ausbauen. Damit werden intelligentere, schnellere, effektivere und robustere Lösungen für unsere Fragestellungen an den Schnittstellen von Biomechanik, Informatik, Medizin, Mathematik und Sportwissenschaften ermöglicht.

Projekte

Prof. Dr. Michael Hinze

DFG Projekt 'Fluid dynamic shape optimization with phase fields and Lipschitz methods':
This project aims at developing, analyzing and numerically implementing combined phasefield and sharp interface techniques in pde-constrained shape optimization, where the application focuses on shape optimization in fluid flow.

Projekt IH-evrsKI:
Das Projektvorhaben IH - evrsKI der Universität Koblenz hat sich zur Aufgabe gemacht, die Anwendung von künstlicher Intelligenz an Studierende unterschiedlicher Fachrichtungen zu vermitteln, sowie neue Lernverfahren auf der Grundlage von Methoden der Optimierung mit partiellen Differentialgleichungen zu entwerfen.

Projekt MLgSA:
Daten- und Simulationsgestützte Exploration, Analyse und Behandlung von Gefäßverengungen zur Prävention von ischämischen Schlaganfällen. In diesem Projektverbund beschäftigen wir uns mit hämodynamischen Formoptimierungsmethoden mit dem Fernziel, den Entwurf von Gefäßimplantaten patientenspezifisch maßzuschneidern.

Prof. Dr. Maik Kschischo

DFG Research Unit 2800 (FOR2800): Chromosome Instability: „Cross-talk of DNA replication stress and mitotic dysfunction”, Sub-project SP-3: Modelling the link between replication stress, chromosomal instability and aneuploidy. Deutsche Forschungsgemeinschaft (DFG), 2019-2025.

Data2Health, Vertrauenswürdige Datenanalysen im Gesundheitswesen, Forschungskolleg der Universität Koblenz und der Hochschule Koblenz, 2022- 2025. Ministerium für Wissenschaft und Gesundheit Rheinland-Pfalz und Debeka.

SEEDS-Structural Error Estimation in Dynamic Systems. Deutsche Forschungsgemeinschaft (DFG), 2017-2024.

TelemonKI, Kooperation mit der Qurasoft GmbH Koblenz, Entwicklung einer Software basierend auf kausalen Neuronal Ordinary Diferential Equations (NODEs) für das Telemonitoring von Patienten mit chronischen Krankheiten, um kritische Ereignisse frühzeitig vorherzusagen und die Patientenversorgung zu verbessern. BMBF, 2024-2026

Prof. Dr. Peer Neubert

AI-DPA "Analyse und Interpretation von unstrukturierten Daten und Prozessen in zwei- und dreidimensionalen Anwendungsszenarien mit Machine Learning“ KI-Forschungskolleg in cooperation with University of Applied Science Mainz. (2023-2026)

MineSweeper: A research study on visual perception and optimization for localization and mapping in challenging and changing environments in the context of civil demining in cooperation with the BAAINBw. (2024-2027)

ViPRICE-2: A research project with the German Aerospace Center (DLR) and TU Chemnitz on Visual Place Recognition in Changing Environments. (2022-2025)

Prof. Dr. Thomas Götz

MMDF - Mathematical Models for Dengue Fever (DAAD funding, cooperation with University of Lisbon, Portugal, finished)

Investigation and Mathematical Analysis of Avant-garde Disease Control via Mosquito Nano-Tech- Repellents (EU-cost, finished)

MSS4E - Multiscale Modelling and Simulation for Epidmics (DAAD funding, cooperation with Wroclaw University of Science and Technology, Poland, finished)

AI and COVID - Explainability and Decision Support with AI in Pandemic Situations (RLP funding, finished)

MICSDD - Modeling the Impact of Climatic and Societal factors on Disease Dynamics (DFG funding, cooperation with AIMS Rwanda, ongoing)

Dr. Sabine Bauer

Automatisierte Analyse von Bewegungsabläufen durch den Einsatz von Trainingssystemen auf der Basis künstlicher Intelligenz (seit Juni 2024)
Durch den Einsatz von maschinellem Lernen und fortschrittlichen Algorithmen sollen Bewegungen präzise erfasst, analysiert und Belastungen bestimmt werden. Das System zielt darauf ab, Fehler in der Bewegungsausführung zu identifizieren, personalisierte Korrekturvorschläge zu geben und somit die Effizienz und Sicherheit des Trainings zu erhöhen. Diese Technologie könnte in Bereichen wie Sport, Physiotherapie und Rehabilitation Anwendung finden, um die Bewegungsqualität und -effektivität zu optimieren.

BelEx - Echtzeit-Ermittlung patientenspezifischer Belastungen der unteren Extremitäten und der Hüfte aus kinematischen Daten und Fußdruckmessungen mittels eines innovativen Machine-Learning-Modells (01.08.2024 - 31.01.2027)
In Zusammenarbeit mit der Diers International GmbH entwickelt die VisSim-Gruppe ein neues Verfahren zur Online-Bestimmung der auf die unteren Extremitäten wirkenden 3D-Kraft- und Momentkomponenten aus 2D-Fußdruckreaktionskräften. Der innovative Kern des Projektes ist die Entwicklung eines markerlosen Echtzeitsystems zur Erkennung von Gelenkpunkten aus fusionierten Kamerabildern und die Bestimmung von Gelenkbelastungen der unteren Extremitäten und der Hüfte mittels maschinellem Lernen.

Publikationen

Böhly, N., Schmidt, A.-K., Zhang, X., Slusarenko, B. O., Hennecke, M., Kschischo, M., & Bastians, H. (2022). Increased replication origin firing links replication stress to whole chromosomal instability in human cancer. Cell Reports, 41(11), 111836. https://doi.org/10.1016/j.celrep.2022.111836

Deckelnick, K., Herbert, P. J., & Hinze, M. (2022). A novel W1,∞ approach to shape optimisation with Lipschitz domains. ESAIM: Control, Optimisation and Calculus of Variations, 28, 2. https://doi.org/10.1051/cocv/2022003

Garcke, H., Hecht, C., Hinze, M., & Kahle, C. (2015). Numerical approximation of phase field-based shape and topology optimization for fluids. SIAM Journal on Scientific Computing, 37(4), A1846-A1871. https://doi.org/10.1137/140976134

Garcke, H., Hecht, C., Hinze, M., Kahle, C., & Lam, K. F. (2016). Shape optimization for surface functionals in Navier-Stokes flow using a phase field approach. Interfaces and Free Boundaries, 18(2), 219-261. https://doi.org/10.4171/IFB/360

Garcke, H., Hinze, M., Kahle, C., & Lam, K. F. (2018). A phase field approach to shape optimization in Navier–Stokes flow with integral state constraints. Advances in Computational Mathematics, 44, 1345-1383. https://doi.org/10.1007/s10444-018-9604-4

Götz, T., Krüger, T., Niedzielewski, K., Pestow, R., Schäfer, M., & Schneider, J. (2024). Chaos in opinion-driven disease dynamics. Entropy. https://doi.org/10.3390/e26040298

Heidrich, P., Jayathunga, Y., Bock, W., & Götz, T. (2020). Prediction of dengue cases based on human mobility and seasonality—An example for the city of Jakarta. Mathematical Methods in the Applied Sciences, 26. https://doi.org/10.1002/mma.7648

Kramer, I., Bauer, S., & Keppler, V. (2023). A simple, efficient method for an automatic adjustment of the lumbar curvature alignment in an MBS model of the spine. Biomechanics, 3(2), 166–180. https://doi.org/10.3390/biomechanics3020015

Müller, P. M., Kühl, N., Siebenborn, M., Deckelnick, K., Hinze, M., & Rung, T. (2021). A novel p-harmonic descent approach applied to fluid dynamic shape optimization. Structural and Multidisciplinary Optimization, 64(6), 3489-3503. https://doi.org/10.1007/s00158-021-03041-2

Neubert, P., & Schubert, S. (2021). Hyperdimensional computing as a framework for systematic aggregation of image descriptors. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/CVPR46437.2021.01666

Schlegel, K., Kleyko, D., Brinkmann, B. H., Nurse, E. S., Gayler, R. W., & Neubert, P. (2024). Lessons from a challenge on forecasting epileptic seizures from non-cerebral signals. Nature Machine Intelligence. (In press).

Schlegel, K., Neubert, P., & Protzel, P. (2022). A comparison of vector symbolic architectures. Artificial Intelligence Review. https://doi.org/10.1007/s10462-021-10110-3

Wendland, P., Schenkel-Häger, C., & Wenningmann, I., Kschischo, M. (2024). OptAB – An optimal antibiotic selection framework for sepsis patients using artificial intelligence. Preprint, under review in npj Digital Medicine. https://doi.org/10.21203/rs.3.rs-4598166/v1

Wendland, P., Schmitt, V., Zimmermann, J., Häger, L., Göpel, S., Schenkel-Häger, C., & Kschischo, M. (2023). Machine learning models for predicting severe COVID-19 outcomes in hospitals. Informatics in Medicine Unlocked, 37, 101188. https://doi.org/10.1016/j.imu.2023.101188

Zhang, X., & Kschischo, M. (2021). MFmap: A semi-supervised generative model matching cell lines to tumors and cancer subtypes. PLOS ONE, 16(12), e0261183. https://doi.org/10.1371/journal.pone.0261183

Zhang, X., & Kschischo, M. (2022). Distinct and common features of numerical and structural chromosomal instability across different cancer types. Cancers, 14(6), 1424. https://doi.org/10.3390/cancers14061424