Lifelong Machine Learning for Biomedical Image Classification

Diese Dissertation untersucht ein Lifelong Learning Framework für KI im Gesundheitswesen und adressiert dabei drei zentrale Herausforderungen: die Ausrichtung der Validierung an klinischen Bedürfnissen, den Wissenstransfer in datenarmen Umgebungen sowie die Anpassung an sich wandelnde klinische Kontexte. Der entwickelte Ansatz führt drei metakognitive Schleifen ein, die kontinuierliche Verbesserungen während des gesamten KI-Lebenszyklus ermöglichen. Mittels eines strukturierten Interviewprozesses wird der „Problemfingerabdruck" biomedizinischer Anwendungen erfasst, wodurch Leistungsmaße besser an klinische Ziele angepasst werden können. Zusätzlich erleichtert das vorgeschlagene Ähnlichkeitsmaß (bKLD) den Wissenstransfer zwischen Institutionen unter Wahrung des Datenschutz für Patienten. Darüber hinaus wird ein fünfstufiger Arbeitsablauf entwickelt, der die Anpassung von Modellen an neue Einsatzumgebungen unter Verwendung nicht annotierter Daten ermöglicht. Die umfasse nde Evaluierung des Systems erfolgt durch Experimente an heterogenen Bildklassifikationsaufgaben sowie durch strukturierte Rückmeldungen internationaler Experten. Die Forschungsarbeit erweitert das Verständnis, wie sich KI-Systeme in Gesundheitsumgebungen besser anpassen und weiterentwickeln lassen.