TrustKG

Im Projekt werden neuste Methoden der Informatik entwickelt, um biomedizinische Daten in semantisch annotierte und verknüpfte Datennetzwerke umzuwandeln. Die entwickelten Methoden sollen es ermöglichen, mithilfe Künstlicher Intelligenz große Datensammlungen systematisch nach wertvollen Informationen zu durchforsten.

Beschreibung

Daten sind ein grundlegender Faktor für die Förderung der Wirtschaft eines Landes und die Gewährleistung eines qualitativ hochwertigen Lebens für die Bürger. Obwohl sie als zentrale Infrastrukturen anerkannt sind, hinkt die weltweite Einführung datengesteuerter Lösungen noch hinterher, insbesondere in der Biomedizin. Neben jahrelanger Forschung in den Bereichen Datenintegration, -kuratierung und Wissensrepräsentation wird die Vertrauenswürdigkeit datengesteuerter Erkenntnisse immer noch durch das Fehlen interpretierbarer Methoden beeinträchtigt, mit denen die Korrektheit und Verzerrung datengesteuerter Pipelines nachgewiesen werden kann. 

In TrustKG zielen wir darauf ab, erklärbare Datenintegration in Pipelines zu ermöglichen, um wissenschaftliche Daten in semantisch reichhaltige und verknüpfte Wissensgraphen zu transformieren. TrustKG wird mit Computerlogik und Ontologien ausgestattet sein, um zeitliche und kausale Beziehungen zwischen aufgenommenen, kuratierten und integrierten Daten auszudrücken. Darüber hinaus werden die TrustKG-Methoden auf das Wissen von Experten und computergestützte Techniken zurückgreifen, um Entscheidungen und Ergebnisse des Datenmanagements zu validieren und zu erklären. 

Gegenwärtig zielen Formalismen für die Erklärbarkeit auf Berechnungsmethoden zur Interpretation von Algorithmen des maschinellen Lernens (ML) sowie auf potenzielle Verzerrungen in deren Erkenntnissen ab. TrustKG wird den Stand der Technik vorantreiben und eine interpretierbare Integration großer Datenmengen ermöglichen, um KI- und ML-Ansätze mit semantischen Beschreibungen der als Input erhaltenen Daten zu unterstützen. Diese Beschreibungen umfassen die Erklärung von Datenanpassungen und die Entscheidungen, die zur Kuratierung, Integration und Sammlung der Eingabedaten einer KI-Methode getroffen wurden. Logische Folgerungen werden die Ergebnisse von KI-Methoden ergänzen. 

Infolgedessen erwarten wir einen Paradigmenwechsel in der semantischen Datenintegration hin zu erklärbarer KI. TrustKG wird im Kontext von Lungen- und Brustkrebs angewendet. Aus der Entwicklung der Krankheit eines Patienten, die auf der Grundlage des Patientenprofils vorhergesagt wird, werden personalisierte Therapien abgeleitet. Die Beschreibung von Patientenprofilen in Verbindung mit verfügbarem Wissen über Therapien wird eine Erklärung für die Krankheitsentwicklung und die Wirksamkeit der Therapie liefern. 

Arbeitspakete:

AP1 - Verstehen von Kausalität in einer Wissensgraphen-Pipeline

AP2 - Wissensgraphenbasierte Wissensextraktion

AP3 - Semantische Datenintegration und Wissensgraphenerstellung

AP4- Erklärbare analytische und prädiktive Modelle

AP5- Erforschung und Visualisierung der Erklärbarkeit

AP6- Evaluierung des TrustKG-Frameworks

Weiterführende Links

• https://github.com/SDM-TIB/Medical-Knowledge-Graph
• https://labs.tib.eu/falcon/falcon2/
• https://github.com/SDM-TIB/SDM-RDFizer
• https://github.com/SDM-TIB/EABlock
• https://github.com/SDM-TIB/kgcp-demo
• https://github.com/SDM-TIB/Trav-SHACL

Twitter @TIB_SDM

Förderung durch die Leibniz-Gemeinschaft im Programm "Leibniz Best Minds: Programm für Professorinnen", Projekt TrustKG-Transforming Data in Trustable Insights mit Förderung P99/2020