MI4People's Challenge @ TUM.ai Makeathon, ein Rückblick




Liebe Freunde,


Wie im vorherigen Newsletter erwähnt, hat MI4People am TUM.ai AI4SocialGood Makeathon teilgenommen, der vom 22. bis 24. Mai stattfand. Wir haben zu dieser großartigen Veranstaltung als einer der Challenge Setter in dem MedTech-Track beigetragen, und es war aus mehreren Blickwinkeln eine äußerst lohnende Erfahrung für uns! Daher haben wir uns entschlossen, diesen Newsletter ausschließlich diesem Event zu widmen.


Genießen Sie den Newsletter, unterstützen Sie das Gemeinwohl und lassen Sie uns gemeinsam die Welt zu einem besseren Ort für uns alle machen!


Ihr MI4People-Team



Der Makeathon

Der TUM.ai Makeathon ist eine Veranstaltung, die zweimal im Jahr von TUM.ai – einer der größten KI-orientierten Studierendeninitiativen Europas – organisiert wird. Während dieser Veranstaltung haben Studierende und junge Berufstätige aus verschiedenen Bereichen die Möglichkeit, sich bei realen KI-Challenges zu messen, die von den „Challenge Settern“ aus großen Unternehmen, Startups, VCs, Regierungsorganisationen und NPOs bereitgestellt werden. Es ist eine großartige Gelegenheit für Studentinnen und Studenten, ihre Fähigkeiten unter Beweis zu stellen, neue Kontakte zu knüpfen, an realen Problemen zu arbeiten, die Aufmerksamkeit potenzieller Arbeitgeber und VCs zu erregen und – falls sie den Makeathon gewinnen – erstes Startkapital für ihre Ideen und Lösungen zu sichern.


In diesem Jahr konzentrierte sich die Veranstaltung auf Use Cases aus dem Bereich AI4SocialGood und erhielt große Aufmerksamkeit in der Community. Rund 400 Studierende und junge Berufstätige haben sich für den Makeathon beworben, aus denen mehr als 250 als Teilnehmer ausgewählt wurden. Sie kamen aus 57 Ländern von 6 Kontinenten – die Veranstaltung war wirklich international! Es gab insgesamt 9 Challenges in drei verschiedenen Tracks: AI for Healthcare (MedTech), AI for Education und AI for Environment. 38 Teams mit jeweils ca. 5 Personen haben funktionierende Lösungen erstellt – einige von ihnen haben ihre eigenen AI4SocialGood-Challenges definiert – und sie einer Jury präsentiert, die aus vielen Branchenführern und Fachexperten bestand.


TUM.ai hatte auch MI4People gebeten, eine Challenge zu stellen und Teil der Jury zu sein, und wir waren glücklich, zu dieser großartigen Veranstaltung beitragen zu können.



Makeathon-Challenge von MI4People

Die Challenge von MI4People konzentrierte sich auf die Identifizierung von Krankheiten anhand von Röntgenbildern der Brustregion von Menschen. Diese Challenge war ein Prolog für unser zweites großes Projekt „General Computer Vision für das Gesundheitswesen in Entwicklungsländern“, das am 21. Mai gestartet wird. Dieses Projekt zielt darauf ab, Allgemeinärzte und -ärztinnen in Entwicklungsländern zu unterstützen, indem ihnen ein kostenloses Computer-Vision-System zur Diagnose von Krankheiten und Verletzungen unter Verwendung verschiedener medizinischer Bilder, z. B. Fotos, Röntgenbilder, CT- und MRT-Scans, zur Verfügung gestellt wird.


Für diese Challenge haben wir uns entschieden, einen sehr prominenten und leicht zugänglichen Open-Source ChestX-ray-Datensatz des NIH Clinical Center (Originalarbeit) zu verwenden, der vierzehn typische Krankheiten enthält, die auf Röntgenaufnahmen der Brustregion erkennbar sind.


Diese Makeathon-Challenge kann auch als wichtiger erster Schritt für das Projekt „General Computer Vision für das Gesundheitswesen in Entwicklungsländern“ von MI4People angesehen werden, da wir Techniken identifizieren konnten, die hilfreich sein werden, um viele Herausforderungen zu bewältigen, mit denen unser zukünftiges KI-System in Entwicklungsländern konfrontiert sein wird. z.B.:

  • Schlechter Zugang zu bestehenden medizinischen IT-Tools / Weniger verfügbare Rechenleistung / Eingeschränkter Zugang zu Internet und Cloud Computing / Alte Smartphones

  • Alte analoge Röntgengeräte, sodass die Qualität der Bilder möglicherweise viel schlechter ist als im Machine Learning-Trainingsdatensatz

  • Digitalisierung von analogen Röntgenbildern, z. B. mit Smartphone-Kameras, und wie unterschiedliche Fotoqualität und Lichtverhältnisse berücksichtigt werden können

  • Herausforderungen bei der Integration des Computer Vision-Systems von MI4People in bestehende Prozesse in den Kliniken


Die Genauigkeit des erstellten zugrunde liegenden Computer Vision-Modells war natürlich auch relevant, aber der Fokus der Challenge lag eher darauf, wie wir unser zukünftiges System in der Praxis anwenden können.


Da unsere Makeathon-Challenge tatsächlich eine der schwierigsten war, sowohl aus technischer als auch aus fachlicher Sicht, haben wir uns entschieden, unsere eigenen Sonderpreise in Form von coolen Goodie-Bags an das Team mit der besten Leistung bei unserer Challenge zu vergeben.



Lösungen für unsere Challenge

Vier Teams haben sich entschieden, unsere Challenge anzugehen, und jedes von ihnen hat wertvolle Erkenntnisse geliefert, die uns bei unserer weiteren Forschung helfen werden. Tatsächlich waren alle Lösungen so großartig, dass es sehr schwierig war, das Siegerteam auszuwählen. Im Folgenden erwähnen wir einige der wichtigsten Erkenntnisse der einzelnen Teams.


Team Alpha

Hat viel damit experimentiert, unsere sehr unausgeglichenen Daten auszubalancieren und hat außerdem eine großartige Arbeit beim Testen von mehrstufigen Klassifikatoren geleistet. Das bedeutet, dass sie zuerst ein KI-Modell erstellt haben, das zwischen „keine Krankheit“ und „es gibt eine Krankheit“ unterscheidet, und dann damit begonnen haben, den zweiten Klassifikator nur für die zweite Kategorie zu erstellen, um die jeweilige Krankheit zu bestimmen.


WeCare

Hat einige vielversprechende KI-Modellkandidaten getestet, die speziell für medizinische Bilder wie TorchXRayVision und PYLON entwickelt wurden. In unserem Forschungsprojekt werden wir diese Modelle ebenfalls evaluieren. Darüber hinaus hat das Team die Möglichkeit diskutiert, unser zukünftiges System mit einer Art Clinical Decision Support (CDS) zu verbinden, um es in typische klinische Arbeitsabläufe zu integrieren.


dAIgnose

Hat ein großartiges MVP erstellt (Videodemo, Open-Source-Code)! Außerdem hat das Team bei der Datenaugmentation zur Simulation von Bildern in schlechter Qualität und bei der Erstellung von leichtgewichtigen Modellen hervorragende Arbeit geleistet, sodass seine Lösung für die besonderen Bedingungen in den Entwicklungsländern sehr gut geeignet ist. Tatsächlich hat uns dAIgnose wirklich beeindruckt und war sehr nah dran, unsere Challenge zu gewinnen.


DS@LMU – die Gewinner!

DS@LMU (Data Science an der Ludwig-Maximilians-Universität München) hat aus unserer Sicht die ausgewogenste Lösung bereitgestellt (Pitchdeck, Open-Source-Code). Es hat die oben erwähnten wichtigen Aspekte wie Datenausbalancierung, Datenaugmentation und schlanke KI-Modelle erfolgreich in seine Lösung integriert und hat dabei auch die Benutzerfreundlichkeit und Integration in die existierenden klinischen Arbeitsabläufe berücksichtigt. Das Team hat außerdem ein sehr gutes Verständnis des zugrunde liegenden Problems gezeigt und konnte eine solide Roadmap für die Entwicklung des Produkts definieren.


Wir gratulieren dem DS@LMU-Team bestehend aus Nikolas Gritsch, Selen Erkan, Faheem Zunjani, Seunghee Jeong und I. Tolga Ozturk und wünschen ihnen alles Gute für ihre Zukunft!



Zusätzliche Ergebnisse

Neben der eigentlichen Challenge hat uns der TUM.ai Makeathon auch eine großartige Plattform geboten, um die Idee der Machine Intelligence für das Gemeinwohl zu verbreiten und unser Netzwerk zu erweitern. So konnten wir mehrere neue Freiwillige gewinnen, die alle zu unserem Projekt „General Computer Vision für das Gesundheitswesen in Entwicklungsländern“ beitragen werden. Außerdem haben wir viele weitere potenzielle Kandidaten gefunden, mit denen wir in Kontakt stehen und für unsere weiteren Projekte anwerben wollen. Wir konnten auch mehrere Studierende von TUM.ai treffen, die daran interessiert sind, sozial orientierte und verantwortungsbewusste AI4Good-Startups, Non-Profits oder Open-Source-Projekte zu gründen, und mit ihnen diskutieren, wie wir kooperieren könnten. Darüber hinaus sind wir mit dem InnovationLab der Stadt München und dem Bayerischen Blinden- und Sehbehindertenverband in Kontakt getreten und diskutieren, wie Machine Intelligence (MI) dazu beitragen kann, die Umweltsituation in Städten besser und transparenter für die Bürger zu machen, und wie MI sehbehinderte und blinde Menschen unterstützen kann.



Fazit

Der TUM.ai Makeathon war ein großer Erfolg und ein großer Schritt nach vorne für MI4People! Wir möchten uns bei allen TUM.ai-Studentinnen und Studenten für die Organisation dieser sehr wichtigen Veranstaltung bedanken und auch für die Hilfe, die Idee von Machine Intelligence für das Gemeinwohl unter den Studierenden und anderen Organisationen zu verbreiten. Es war uns eine große Freude, mit TUM.ai zusammenzuarbeiten und wir freuen uns auf weitere Kooperationen!

22 Ansichten0 Kommentare

Aktuelle Beiträge

Alle ansehen