Embedded Files
Prof. Dr. Matthias Becker
Willkommen
Willkommen
Auf meiner Projektseite finden Sie offene Stellen sowie offene Bachelor- und Projektarbeiten
Offene Projekte / Arbeiten
Offene Projekte / Arbeiten
Entwicklung einer KI-basierten Bedienhilfe mit Retrieval-Augmented Generation (RAG) unter Verwendung multimodaler Large Language Models für Krankenhausinformationssysteme
Entwicklung einer KI-basierten Bedienhilfe mit Retrieval-Augmented Generation (RAG) unter Verwendung multimodaler Large Language Models für Krankenhausinformationssysteme
Im Rahmen dieser Bachelorarbeit soll eine intelligente Bedienhilfe entwickelt werden, die auf dem Konzept der Retrieval-Augmented Generation (RAG) basiert. Ziel ist es, Nutzenden eines Krankenhausinformationssystems (KIS) kontextabhängige Hilfestellungen bereitzustellen. Die KI soll dazu in der Lage sein, Informationen aus vorhandenen Handbüchern und Bildern (z. B. Screenshots oder UI-Grafiken) zu verarbeiten und als multimodales Large Language Model (MLLM) auszuwerten. Die erarbeitete Lösung soll exemplarisch in ein KIS eingebunden werden und typische Benutzerfragen (z. B. zur Bedienung oder Funktionalität) beantworten können. Die Arbeit umfasst sowohl die Auswahl und Vorbereitung geeigneter Trainingsdaten als auch die technische Umsetzung und Evaluation der entwickelten KI-basierten Assistenz.
Analyse klinischer Leitlinien und Anwendung eines Large Language Models zur patientengerechten Therapieempfehlung
Analyse klinischer Leitlinien und Anwendung eines Large Language Models zur patientengerechten Therapieempfehlung
Im Rahmen dieser Bachelorarbeit sollen klinische Leitlinien analysiert und in ein Large Language Model (LLM) integriert werden, um medizinisches Fachwissen in verständlicher Form bereitzustellen. Ziel ist es, mithilfe eines KI-Modells Patienten mit bestimmten Krankheitsbildern basierend auf evidenzbasierten Leitlinien personalisierte Informationen über empfohlene Behandlungs- und Therapiemöglichkeiten zu liefern. Die Arbeit umfasst die Aufbereitung der Leitlinieninhalte, das Fine-Tuning eines LLM sowie die exemplarische Anwendung des Modells auf einfache medizinische Fragestellungen zur Unterstützung der Patientenaufklärung.
Extraktion medizinischer Informationen aus Texten und Überführung in HL7 FHIR zur interoperablen Kommunikation
Extraktion medizinischer Informationen aus Texten und Überführung in HL7 FHIR zur interoperablen Kommunikation
Ziel dieser Bachelorarbeit ist es, ein Modell zur automatisierten Extraktion medizinischer Entitäten wie Diagnosen, Medikation oder Prozeduren aus einem annotierten medizinischen Korpus zu trainieren. Die erkannten Informationen sollen anschließend strukturiert in das HL7 FHIR-Format (Fast Healthcare Interoperability Resources) überführt werden, um eine standardisierte und interoperable Weiterverarbeitung in klinischen Informationssystemen zu ermöglichen. Die Arbeit umfasst die Modellierung eines geeigneten Labeling-Ansatzes (z. B. Named Entity Recognition), die Abbildung auf FHIR-Ressourcen sowie eine exemplarische Validierung des Workflows.
Generierung post-koordinierter SNOMED CT-Konzepte aus Freitext
Generierung post-koordinierter SNOMED CT-Konzepte aus Freitext
Im Rahmen dieser Bachelorarbeit soll untersucht werden, inwieweit große Sprachmodelle (Large Language Models, LLMs) dazu in der Lage sind, klinische Freitexte in präzise und strukturierte SNOMED CT-Konzepte zu überführen – insbesondere unter Nutzung der Möglichkeit der Post-Koordination. Anders als bei vorgefertigten (pre-koordinierten) SNOMED CT-Konzepten erlaubt die Post-Koordination eine flexible Kombination mehrerer standardisierter Bausteine, um komplexe klinische Sachverhalte differenziert abzubilden.
Ziel der Arbeit ist es, ein prototypisches System zu entwickeln, das auf Basis eines gegebenen klinischen Freitextes (z. B. einem Symptom, einer Diagnose oder einem Befund) automatisch die relevanten SNOMED CT-Konzepte erkennt, diese in eine strukturierte Form bringt und daraus einen postkoordinierten Ausdruck gemäß der SNOMED CT Compositional Grammar generiert. Hierzu sollen bestehende Foundation-Modelle wie Llama oder spezialisierte medizinische Sprachmodelle genutzt und ggf. mit domänenspezifischen Daten (z. B. SNOMED-Begriffen oder Fallbeispielen) angereichert werden. Die Arbeit umfasst sowohl die Konzeption und technische Umsetzung eines geeigneten Workflows zur Konzeptgenerierung als auch die Evaluation anhand von Fallbeispielen. Dabei wird insbesondere analysiert, inwiefern die erzeugten postkoordinierten Konzepte den SNOMED CT-Spezifikationen entsprechen und semantisch korrekt sind. Ergänzend sollen die Grenzen aktueller LLMs im Umgang mit semantischer Standardisierung reflektiert werden.
Die Ergebnisse dieser Arbeit können einen Beitrag zur Verbesserung der semantischen Interoperabilität in der klinischen Dokumentation leisten und zeigen Potenziale auf, wie moderne KI-Modelle bei der Strukturierung medizinischer Information unterstützen können.
Fragen?
Fragen?
Sie möchten mehr über das Projekt erfahren? Dann schreiben Sie einfach eine E-Mail an matthias.becker(at)hs-kempten.de .
Page updated
Google Sites
Report abuse