Medical Mining

Medical Mining ist ein Forschungsgebiet, in dem Lernalgorithmen zur Unterstützung der Diagnose, Prävention und Therapie von Erkrankungen angewendet werden. Zu Medical Mining gehören u.a. Lernaufgaben zur Erkennung von Risikofaktoren und Schutzfaktoren, zur Identifizierung und Charakterisierung von Subpopulationen mit erhöhter Prävalenz einer Erkrankung oder Erfolgswahrscheinlichkeit einer Therapie.

Die Gruppe Knowledge Management & Discovery (KMD) befasst sich mit dem Monitoring und der Charakterisierung von Subpopulationen, die über die Zeit Änderungen bei der Prävalenz einer Erkrankung ausgesetzt sind. Zu den Herausforderungen gehört die Analyse von hochdimensionierten Räumen mit sehr wenigen Instanzen und die systematische Abwesenheit von Werten für manche Variablen zu manchen Zeitpunkten.
 
In Kooperation mit dem Institut für Community Medicine, Ernst-Moritz-Arndt Universität Greifswald, analysieren wir Daten zur Erkrankung Hepatis Steatosis und zu Schilddrüsenerkrankungen, und fokussieren auf die Entdeckung von Subpopulationen, die sich über die Zeit unterschiedlich (in Bezug auf die Erkrankung) entwickeln.
 
Im Rahmen der Kooperation "Data Mining and Stream Mining for Epidemiological Studies on the Human Brain" (StreaMED)" mit dem Zentrum für biomedizinische Technologie (CTB) der Universtiät Polytecnica de Madrid, arbeiten wir daran, Veränderungen der kognitiven Leistungsfähigkeit nach einer traumatischen Gehirnverletzung zu modellieren.
 
In unserer Kooperation mit der Visualisierungs-Arbeitsgruppe der FIN, arbeiten wir an Clustering-vor-Klassifikation zur Separierung zwischen gutartigen und bösartigen Brust-Tumoren auf DCE-MR Bildern. Der Fokus liegt hierbei auf der Identifikation von Eigenschaften welche eine Tumorregion beschreiben und zur Separierung beitragen.
 
In Kooperation mit der Diabetologie des Universitätsklinikums Magdeburg und mit ifak GmbH untersuchen wir das Druckverhalten von erkrankten Personen mit Diabetikerfuss. Ziel ist, Druckprofile für unterschiedliche Gruppen von erkrankten Personen abzuleiten, und erhöhten Druck an manchen Fussregionen mit Hilfe einer intelligenten Schuhsohle zu erkennen.

In Kooperation mit der Universität Ulm und dem Universitätsklinikum Regensburg untersuchen wir die Entwicklung von Tinnitus-PatientInnen und leiten Evolutionsmuster in Bezug auf diese chronische, noch unheilbare Krankheit. Ziel ist, PatientInnen in ihrem Alltag durch Hilfe- und Selbsthilfe-Maßnahmen zu unterstützen.

Medical data mining is a mature area of research, where simple or elaborate learning algorithms are used to solve a concrete problem of disease diagnosis, disease description or success prediction for a treatment. It is proper to distinguish between two subdomains, where medical mining is successfully applied: medical research and clinical decision support.
The former encompasses advances that help the medical researcher assess the predictive factors of a disease, understand the progress of a disease, get insights into the impact of different types of therapy.
The latter encompasses methods that help the physician in diagnosis for a specific patient, in planing a surgery or in specifying a therapy plan.

The KMD lab works on medical mining, presently concentrating on the former area and studying medical research questions from clinical and population-based longitudinal epidemiological studies. In our cooperation SHIP/2012/06/D Predictors of Steatosis Hepatis with the Ernst-Moritz-Arndt University Greifswald, Institute for Community Medicine, we study fatty liver, a multifactorial disease. We use medical mining for the identification of subpopulations that share characteristics associated to the fat concentration in the liver. Mining challenges emanate from big feature spaces, novel types of concept drift inside a cohort, and data provenance (as new medical devices proliferate and results recorded with outdated devices must be advanced).

In our cooperation "Data Mining and Stream Mining for Epidemiological Studies on the Human Brain" (StreaMED)" with the Center of Biomedical Technology (CTB) of the University Polytecnica de Madrid, we work on understanding changes in patients cognitive performance after traumatic brain injury.
This work is in preparation of our joint work with Univ. Polytecnica de Madrid during the Main Phase of the Human Brain Project (to commence in 2016 under Horizon 2020).

In our cooperation with the Visualization Lab,
we work on clustering-before-classification for the separation between benign and malignant breast tumors on DCE-MR Images. Our emphasis is on identifying those properties that describe a tumor s region and contribute to the separation.

In our cooperation with the  diabetology of the university medicine Magdeburg and ifak GmbH, we analyze the pressure behavior of persons with diabetic foot syndrome. Goal is the discovery of pressure profiles of different groups persons with the syndrome and the detection of increased pressure applied on different regions of the foot by means of an intelligent shoe.

We cooperate with the Univ. of Ulm and the University Medicine Regensburg on methods to analyze the evolution of Tinnitus patients. We derive evolutionary patterns with respect to this chronic, still uncurable disease. Our goal is to support patients in their daily life by providing (self-)aiding measures.

Persons involved:

* Tommy Hielscher (PhD student)
* Uli Niemann (Undergraduate student)
* Dr. Georg Krempl (Postdoc researcher)
* Dr. Zaigham Faraz Siddiqui (Postdoc researcher)

Grants from:

* German Research Foundation project IMPRINT: Incremental Mining for Perennial Objects , case study on medical stream mining (2011-2014)
* Innofonds of the OVGU (2013-2016)
* Regular university funding