„Im Bereich der künstlichen Intelligenz tut sich aktuell sehr viel. Ganz wesentlich ist für uns im medizinischen Feld natürlich, dass technische Neuerungen auch mit einem Mehrwert für PatientInnen einhergehen. Denn wir wollen unsere Forschung nicht einfach nur mit dem Stempel ,künstliche Intelligenz‘ versehen, sondern das Potenzial künstlicher Intelligenz für gesundheitsrelevante Fragestellungen nutzbar machen“, so Projektleiter Gernot Reishofer von der Universitätsklinik für Radiologie, Med Uni Graz. „PatientInnenempowerment – also die Befähigung und Beteiligung der PatientInnen – ist ein Schlüsselfaktor in der modernen Gesundheitspolitik und ein wichtiger Beitrag für eine optimale Gesundheitsversorgung, denn das nötige Wissen aufseiten der Betroffenen führt auch zu einer höheren Akzeptanz bei therapeutischen Maßnahmen“, weiß der Physiker. Aber auch überweisende Ärztinnen erhalten durch das neue System Unterstützung bei der PatientInnenkommunikation, damit soll ein wichtiger Beitrag für die Ärztinnen-PatientInnen-Beziehung geleistet werden.
Das Projekt SimplifAI unter der Leitung der Universitätsklinik für Radiologie der Med Uni Graz wird von der Österreichischen Forschungsförderungsgesellschaft mbH (FFG) im Programm „Informations- und Kommunikationstechnologien der Zukunft“ mit einer Million Euro gefördert (1,3 Mio. Euro Projektvolumen). Es deckt Forschungsfelder in den Bereichen natürliche Sprachverarbeitung (NLP), künstliche Intelligenz, Schutz der Privatsphäre, Radiologie und Sozialmedizin ab. Innerhalb von zwei Jahren soll ein System geschaffen werden, mit dem radiologische Befunde durch künstliche Intelligenz in eine patientinnengerechte Sprache übersetzt werden.
Gernot Reishofer leitet die Arbeitsgruppe Radiology.Lab an der Universitätsklinik für Radiologie und arbeitet mit seinem Team an der Entwicklung neuer Messmethoden, der Anwendung neuer Auswertungsverfahren sowie deren Umsetzung in klinischen Studien. Schwerpunkte der Arbeitsgruppe liegen auf der neuroradiologischen und vaskulären (MRT-)Bildgebung sowie auf der Erforschung und Entwicklung von Deep-Learning-Modellen und Machine-Learning-Algorithmen für die radiologische Grundlagenforschung.
