Erzeugung von synthetischen Daten für Künstliche Intelligenz

Das Bundesministerium für Bildung und Forschung (BMBF) beabsichtigt mit der Richtlinie zur Förderung von Projekten zum Thema „Erzeugung von synthetischen Daten für Künstliche Intelligenz“ interdisziplinäre und anwendungsorientierte Forschungs- und Entwicklungsvorhaben zu fördern. Das Ziel der Förderrichtlinie ist es, neue Methoden zur Erzeugung synthetischer Daten für die Erstellung und Validierung von KI-Modellen zu entwickeln bzw. schon vorhandene Methoden zu verbessern oder auch gegebene personenbezogene Datenbestände zu anonymisieren. Durch die Maßnahme soll die Spitzenposition Deutschlands im Bereich KI gesichert und weiter ausgebaut werden. Die Förderung von Verbundprojekten soll hierbei den Transfer zwischen Wissenschaft und Wirtschaft zum Vorteil beider Parteien verstärken.

Modellierung von dreidimensionalen mehrzelligen Mikrogeweben für die pharmazeutische Wirkstoffforschung

In der pharmazeutischen Entwicklung lassen sich bis zu 90% aller Kosten einsparen, wenn die Ergebnisse der frühen Phasen der Wirkstoffentwicklung eine Vorhersage für die Sicherheit und Wirksamkeit im Patienten erlauben würden. Die pharmazeutische Industrie erforscht daher seit einigen Jahren Testmethoden und Technologien, die eine prädiktive Aussage bei der pharmazeutischen Wirkstoffentwicklung erlauben. Durch die technologischen Verbesserungen auf den Gebieten der Zellkulturtechnik, Mikrofluidik und Optik wird es möglich, aus diesen neuen Ansätzen drei- und mehrdimensionale Bilddaten zur Identifizierung und Analyse von kleinen Molekülen zu gewinnen. Um aus den resultierenden massiven Datenvolumina physiologisch und pharmakologisch belastbare und quantitative Daten herauszubekommen, werden intelligente und automatisierbare Lösungen der Datenverarbeitung, insbesondere aus dem Bereich des maschinellen Lernens benötigt. Aktuell existieren einzelne Ansätze wie z. B. neuronale Netze für die automatische Erkennung und Abgrenzung von Zellen, Zellkernen und anderen Merkmalen, jedoch fehlt weitgehend die Möglichkeit, die Güte dieser Analysen quantitativ und ohne Verzerrung zu überprüfen. Zudem fehlen standardisierbare und realistische Bild-Datensätze mit bekanntem Inhalt wie z. B. tatsächliche Anzahl Zellkerne im Bild (sog. „Ground Truth“) für das Training der Algorithmen. Da die hohe Komplexität der biologischen 3D-Datensätze fast gänzlich verhindert, die „Ground Truth“ manuell zu erstellen, besteht ein großer Bedarf an realistischen synthetischen Datensätzen, bei denen die „Ground Truth“ bekannt ist.