Motivation
Trotz der enormen Fortschritte des maschinellen Lernens in der statischen Bildanalyse stellt die Extraktion von Informationen aus Videos immer noch eine Herausforderung dar. Gleiche, in Videos kodierte Aktivitäten können visuell sehr unterschiedlich sein und durch andere Aktionen und Objekte in der Aufzeichnung verdeckt werden. Die Analyse des Verhaltens von Tieren beruht vorwiegend auf einer Reihe von benutzerdefinierten Verhaltenskategorien oder auf der Verwendung grober Gesetzmäßigkeiten wie der mittleren Geschwindigkeit oder der Häufigkeit bestimmter Ereignisse (z.B. Drehen in einem Labyrinth oder Anheben einer Extremität). Während dieser Ansatz eine allgemeine Bewertung genetischer oder anderer biologischer Auswirkungen auf das Verhalten erlaubt, können auf diese Weise nur die gröbsten Aspekte des Verhaltens ermittelt werden, wobei möglicherweise subtile Effekte von Interesse übersehen werden, die nur auf einer feineren Skalenebene offensichtlich sind. In der biologischen Bildanalyse werden von maschinellem Lernen abgeleitete Darstellungen vorwiegend für hochrangige Entscheidungsaufgaben wie Segmentierung, Klassifikation oder die Schätzung der Tierhaltung verwendet. Obwohl sie unbestreitbar die automatisierte Verarbeitung von Versuchsergebnissen, die schnelle Diagnose wichtiger Gesundheitszustände oder die Quantifizierung von Tierbewegungen erleichtern, stützen sie sich in erster Linie auf vom Menschen erzeugte Kennzeichnungen und Domänenwissen. Eine solche überwachte Vorgehensweise erfordert nicht nur große Mengen annotierter Daten, sondern setzt auch voraus, dass das Wissen und die visuelle Wahrnehmung ausreichen, um die wichtigen Elemente zu erkennen.
Ziele und Vorgehen
Ziel von QuantVID ist es, neue Berechnungsmethoden zur Extraktion und Quantifizierung von aussagekräftigem Wissen aus Videoaufzeichnungen zu entwickeln. Das Projekt wird sich den aktuellen Herausforderungen der Videoanalyse widmen, indem Aufzeichnungen von Tierverhalten untersucht werden: von einem sich bewegenden Wurm C. elegans und von Honigbienen in einem Bienenstock.
Innovationen und Perspektiven
Während ihrer Doktorarbeit am Max-Planck-Institut für Informatik in Saarbrücken untersuchte die KI-Nachwuchswissenschaftlerin die Interaktion zwischen HIV und Wirt auf mehreren Ebenen. Unter Verwendung von Methoden des maschinellen Lernens und der Strukturmodellierung, angewandt auf klinische und laborgetestete Sequenzdaten, schlug sie ein Modell zur Vorhersage der HIV-Resistenz gegen medikamentöse Behandlungen vor. Gegenwärtig ist sie Nachwuchsgruppenleiterin am Zentrum für Molekulare Medizin Köln, an der Universität zu Köln und an der Universitätsklinik Köln.