{"id":39645,"date":"2025-04-17T12:38:27","date_gmt":"2025-04-17T10:38:27","guid":{"rendered":"https:\/\/www.l3s.de\/?p=39645"},"modified":"2025-04-17T12:38:29","modified_gmt":"2025-04-17T10:38:29","slug":"trustkg-reliable-ai-for-medical-decision-making","status":"publish","type":"post","link":"https:\/\/www.l3s.de\/de\/trustkg-reliable-ai-for-medical-decision-making\/","title":{"rendered":"TrustKG: Zuverl\u00e4ssige KI f\u00fcr die medizinische Entscheidungsfindung"},"content":{"rendered":"

L3S Best Publication of the Quarter (Q4\/2024 \u2013 Q1\/2025)<\/strong>
Kategorie: Knowledge Graphs und Interpretable Hybrid AI<\/strong>\u00a0<\/p>\n\n\n\n

Toward Interpretable Hybrid AI: Integrating Knowledge Graphs and Symbolic Reasoning in Medicine\u00a0<\/strong><\/p>\n\n\n\n

Autoren: Yashrajsinh Chudasama, Hao Huang, Disha Purohit, Maria-Esther Vidal\u00a0\u00a0<\/p>\n\n\n\n

Ver\u00f6ffentlicht in: IEEE Access<\/em><\/p>\n\n\n\n

<\/div>\n\n\n\n

Die Ver\u00f6ffentlichung in K\u00fcrze:<\/strong> <\/p>\n\n\n\n

K\u00fcnstliche Intelligenz (KI) ver\u00e4ndert das Gesundheitswesen, aber viele KI-Systeme arbeiten als \u201eBlackbox\u201c. Das hei\u00dft, sie treffen Entscheidungen, ohne klar zu erkl\u00e4ren, wie oder warum. In der Medizin sind Vertrauen und Transparenz von entscheidender Bedeutung, da die Nutzer (Kliniker, Patienten und Mediziner) die Gr\u00fcnde f\u00fcr KI-gesteuerte Empfehlungen verstehen m\u00fcssen. Unsere Forschung stellt TrustKG vor, neurosymbolische Systeme, die Wissensgraphen (KGs), die medizinisches Wissen strukturieren, mit symbolischem Denken und maschinellem Lernen kombinieren, um besser interpretierbare und zuverl\u00e4ssige KI-Modelle zu schaffen. Wir wenden die neurosymbolischen Systeme von TrustKG auf Lungenkrebs an und helfen bei der Vorhersage des Krankheitsverlaufs und der Behandlungseffekte durch Link-Pr\u00e4diktion (Auffinden versteckter Verbindungen in medizinischen Daten) und kontrafaktische Schlussfolgerungen (Untersuchung von \u201eWas-w\u00e4re-wenn\u201c-Behandlungsszenarien). Unsere Ergebnisse zeigen, dass neurosymbolische Ans\u00e4tze die medizinische Entscheidungsfindung verbessern k\u00f6nnen und \u00c4rzten klarere und evidenzbasierte Erkenntnisse liefern. <\/p>\n\n\n\n

Welches Problem l\u00f6sen Sie mit Ihrer Forschung?<\/strong> <\/p>\n\n\n\n

Unsere Forschung befasst sich mit dem Problem der KI-Transparenz in der Medizin. Viele KI-Modelle, die heute im Gesundheitswesen eingesetzt werden, k\u00f6nnen zwar genaue Vorhersagen machen, aber es mangelt ihnen an Erkl\u00e4rbarkeit, so dass es f\u00fcr \u00c4rzte schwierig ist, KI-gesteuerten Empfehlungen zu vertrauen und sie zu validieren. Unser Ansatz, TrustKG, ist ein neuro-symbolisches System, das strukturiertes medizinisches Wissen - dargestellt als KGs - mit datengesteuerten Ans\u00e4tzen <\/strong>und symbolischem Denken und Lernen verbindet. Dieser Ansatz stellt sicher, dass medizinische KI-Systeme nicht nur genaue Vorhersagen, sondern auch f\u00fcr den Menschen verst\u00e4ndliche Erkl\u00e4rungen liefern und so das Vertrauen und die Zuverl\u00e4ssigkeit bei der klinischen Entscheidungsfindung verbessern. <\/p>\n\n\n\n

Was ist neu an Ihrer Forschung?<\/strong> <\/p>\n\n\n\n

Im Gegensatz zu herk\u00f6mmlichen KI-Modellen, die nur aus Daten lernen, wird in unserer Forschung ein neurosymbolischer KI-Ansatz eingef\u00fchrt, der Wissensgraphen, symbolisches Denken und maschinelles Lernen kombiniert. Dies erm\u00f6glicht es der KI, medizinische Zusammenh\u00e4nge zu verstehen, versteckte Verbindungen in Patientendaten vorherzusagen und alternative Behandlungsergebnisse durch kontrafaktisches Denken zu simulieren. Durch die Verschmelzung von strukturiertem medizinischem Wissen mit KI-Lernen schaffen wir KI-Systeme, die sowohl erkl\u00e4rungsf\u00e4higer als auch anpassungsf\u00e4higer f\u00fcr komplexe Herausforderungen im Gesundheitswesen sind. <\/p>\n\n\n\n

Welche potenziellen Auswirkungen haben Ihre Ergebnisse?<\/strong> <\/p>\n\n\n\n

Unsere Ergebnisse haben das Potenzial, die Ergebnisse f\u00fcr Patienten zu verbessern, indem sie \u00c4rzten helfen, bessere, evidenzbasierte Entscheidungen zu treffen. Durch die Bereitstellung transparenter, interpretierbarer KI-Empfehlungen kann TrustKG die Diagnosegenauigkeit, Behandlungsplanung und Risikovorhersage in der Medizin verbessern. Dar\u00fcber hinaus \u00fcberbr\u00fcckt dieser Ansatz die Kluft zwischen KI-Entwicklern und medizinischen Fachkr\u00e4ften und f\u00f6rdert so das Vertrauen in KI-gesteuerte Gesundheitsl\u00f6sungen. \u00dcber die Medizin hinaus k\u00f6nnen neurosymbolische KI-Techniken auch in anderen Bereichen eingesetzt werden, in denen Erkl\u00e4rbarkeit von entscheidender Bedeutung ist, z. B. im Finanzwesen, im Recht und in der Politik, um sicherzustellen, dass KI-gesteuerte Entscheidungen transparent, fair und nachvollziehbar bleiben. <\/p>\n\n\n\n

Link zum Paper: ieeexplore.ieee.org\/document\/10839382<\/a><\/strong>\u00a0<\/p>","protected":false},"excerpt":{"rendered":"

TrustKG is an innovative hybrid AI technology that uses knowledge graphs to provide transparent, comprehensible AI recommendations – for example, in medical diagnostics.<\/p>","protected":false},"author":11,"featured_media":39646,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[161],"tags":[],"class_list":["post-39645","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-best-publications"],"acf":[],"aioseo_notices":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts\/39645","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/comments?post=39645"}],"version-history":[{"count":1,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts\/39645\/revisions"}],"predecessor-version":[{"id":39647,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/posts\/39645\/revisions\/39647"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/media\/39646"}],"wp:attachment":[{"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/media?parent=39645"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/categories?post=39645"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.l3s.de\/de\/wp-json\/wp\/v2\/tags?post=39645"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}