RAI – Zuverlässige KI für die Biomedizin

Da viele molekularbiologische Labore und klinische Forschungsgruppen moderne KI-Systeme in ihren Arbeitsabläufen nutzen, benötigen wir Tools, die ihre Unsicherheit quantifizieren, um wissenschaftliche Standards aufrechtzuerhalten. In der Vergangenheit haben wir uns auf die statistische Unsicherheitsquantifizierung in Form von p-Werten und Konfidenzintervallen verlassen. Fast jede Veröffentlichung berichtete über diese Mengen und ermöglichte es uns, die Glaubwürdigkeit einer Forschungsentdeckung zu beurteilen. Diese gemeinsame statistische Sprache – wenn auch nicht ohne Kritik – ermöglichte es uns, unsere Ressourcen auf die vielversprechendsten Entdeckungen zu konzentrieren. Wie können wir den Grad unserer Überraschung über eine Entdeckung anhand von Vorhersagemodellen auf ähnliche Weise quantifizieren?

In diesem Projekt werden wir eine Plattform aufbauen, die Forschern in der Biomedizin dabei hilft, die Unsicherheit ihrer Vorhersagemodelle zu quantifizieren. Wir werden die jüngsten Fortschritte in Statistik und maschinellem Lernen – das sogenannte konforme Vorhersage-Framework – nutzen, um Vorhersageintervalle zu ihren Modellen hinzuzufügen. Die Forscher werden ihre Modelle und einen Teil ihrer Daten auf unserer Plattform-Website hochladen. Anschließend erstellen wir Vorhersageintervalle für ihre Modelle und liefern sie den Forschern als Download zurück. 

Projektleitung: Christof Seiler
Co-Projektleitung: Oliver Distler Michael Krauthammer Bjoern Menze

Hier finden Sie einen Artikel über unsere Arbeit auf Seite 12 in der En­net­ba­de­ner Post.

Dieses Projekt wird finanziert durch das Digital Society Initiative (DSI)-Infrastruktur-/Laborprogramm. Die DSI gestaltet den digitalen Wandel von Gesellschaft und Wissenschaft. Es ist das Kompetenzzentrum der Universität Zürich für digitale Transformation.