Forschungsschwerpunkt Computational Health
Der Forschungsschwerpunkt Computational Health befasst sich mit Fragestellungen aus Medizin und Biologie unter Verwendung datengetriebener und mechanistischer Modellierung. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, graphische Netzwerke, Parameterschätzung für Differenzialgleichungssysteme und physiologische Simulation.
Über uns
Der Schwerpunkt Computational Health befasst sich mit fundamentalen Fragestellungen aus Biologie und Medizin unter Verwendung computergestützter, datengetriebener Methoden. Wichtige Instrumente sind maschinelles Lernen für die Bild- und Signalanalyse, Parameterschätzung für Differenzialgleichungssysteme und Multiphysik-Simulation. Effektive Validierungsstrategien werden eingesetzt, um mit dem Unbekannten umzugehen.
Unsere Forschungsgruppen
Biomedical Simulation
Die Forschungsgruppe ist spezialisiert auf die Modellierung biologischer und medizinischer Systeme. Es werden neue Ansätze entwickelt zur Simulation physiologischer Prozesse und um krankhafte Veränderung vorherzusagen. Insbesondere fliesst vertieftes Wissen zu biologischen/physiologischen Prozessen in Multi-Physik Simulationen ein.
Die Gruppe entwickelt Algorithmen zur Parameter- und Unsicherheitsschätzung physikalisch motivierter stochastischer Modelle. Insbesondere werden Maschinelle Lernverfahren mit Bayes’scher Modellierung verknüpft zur Reduktion der Dimensionalität. Diese Verfahren finden breite Anwendung in der Medizin und in den Life Sciences.
Leiter: Prof. Dr. Sven Hirsch | Erfahren Sie mehr über die Forschungsgruppe Biomedical Simulation
Medical Image Analysis
Die Forschungsgruppe wendet maschinelle Lernverfahren an zur Interpretation medizinischer Bilddaten. Derart werden Merkmale extrahiert zur Charakterisierung von Krankheitsbildern und zur Verwendung als diagnostische Marker. Von besonderem Interesse sind die radiomische und morphologische Vermessung diagnostischer Bilddaten. Hierbei verfolgt die Gruppe das Ziel, mittels erklärbarer maschineller Lernverfahren reproduzierbare, bildbasierte Biomarker zu etablieren und deren klinischen Nutzen sicherzustellen.
Medical Data Modelling
Die Forschungsgruppe wendet Verfahren der Statistik und des maschinellen Lernens an zur Modellierung von Wirkzusammenhängen in medizinischen Daten, um insbesondere pathophysiologische Prozesse zu analysieren. Patientendaten werden zusammen mit Daten aus Bildgebungsverfahren, insbesondere der Magnetresonanztomographie, analysiert.
Biosignal Analysis & Digital Health
Die Forschungsgruppe untersucht Daten von Wearables und Biosensoren mit Methoden der Zeitreihenanalyse und verbindet diese mit biologisch-physikalischen Modellen zur robusten Charakterisierung von physiologischen Zuständen. Diese Datenquellen dienen zur Umsetzung von Patient Reported Outcomes in die klinische Praxis und zur Weiterentwicklung der patientenzentrierten Medizin.
Leiter: Dr. Samuel Wehrli | Erfahren Sie mehr über die Forschungsgruppe Biosignal Analysis & Digital Health
Software & Code
Unsere GitHub-Organisationsseite dient als zentrale Anlaufstelle für den Code und die Projekte, die vom Forschungsschwerpunkt Computational Health entwickelt wurden. Wir setzen uns dafür ein, den Schwerpunkt Computational Health durch innovative Forschung voranzubringen und die Open Science zu fördern. Unsere Repositories umfassen eine Vielzahl von Themen, darunter Algorithmusentwicklung, Datenanalyse und computergestützte Modellierung. Indem wir unsere Arbeit offen teilen, möchten wir die Zusammenarbeit fördern und zur wissenschaftlichen Gemeinschaft beitragen. Die Förderung der Open Science stellt sicher, dass unsere Forschung transparent, reproduzierbar und zugänglich ist, was eine breitere Verbreitung und eine Beschleunigung des wissenschaftlichen Fortschritts ermöglicht. Wir laden Sie ein, unsere Projekte zu erkunden und direkt auf GitHub mit uns in Kontakt zu treten.
Lehre
Das Lehrangebot des Forschungsschwerpunktes Computational Health umfasst Teilgebiete der mathematischen und physikalischen Modellierung. Auf Stufe Bachelor ist sie verantwortlich für die Vertiefung Digital Health. In weiteren Bachelor Lehrgängen am Departement unterrichtet sie Physik und Mathematik. Im MSc Applied Computational Life Sciences und im PhD-Programm Data Science bieten sie vertiefte Kurse zur Modellierung komplexer Systeme an.
Team Computational Health
Projekte
Im Zuge des Neuaufbaus der Forschungsdatenbank sind die bisherigen Listen mit Forschungsprojekten nicht mehr abrufbar. Die Zukunft geht in Richtung Volltextsuche und Filterung, um bestmögliche Suchergebnisse für unsere Besucher:innen zur Verfügung zu stellen.
In der Zwischenzeit kannst du die Projekte ganz einfach unter folgenden Link per Textsuche finden: «Zur neuen Suche in der Projektdatenbank»
Publikationen
-
Detmer, Felicitas J.; Hadad, Sara; Chung, Bong Jae; Mut, Fernando; Slawski, Martin; Juchler, Norman; Kurtcuoglu, Vartan; Hirsch, Sven; Bijlenga, Philippe; Uchiyama, Yuya; Fujimura, Soichiro; Yamamoto, Makoto; Murayama, Yuichi; Takao, Hiroyuki; Koivisto, Timo; Frösen, Juhana; Cebral, Juan R.,
2019.
Neurosurgical Focus.
47(1).
Verfügbar unter: https://doi.org/10.3171/2019.4.FOCUS19145
-
Bijlenga, Philippe; Morel, Sandrine; Hirsch, Sven; Schaller, Karl; Rüfenacht, Daniel,
2019.
Plea for an international Aneurysm Data Bank : description and perspectives.
Neurosurgical Focus.
47(1), S. E17.
Verfügbar unter: https://doi.org/10.3171/2019.4.FOCUS19185
-
Ulzega, Simone; Albert, Carlo,
2019.
Bayesian inference for solar dynamo models [Poster].
In:
1st Swiss “Workshop on Machine Learning for Environmental and Geosciences” (MLEG2019), Dübendorf, 16-17 January 2019.
-
Ulzega, Simone; Albert, Carlo,
2019.
Bayesian inference methods for the calibration of stochastic dynamo models.
In:
4th Solar Dynamo Thinkshop, Rome, Italy, 25 - 26 November 2019.
-
Ulzega, Simone; Albert, Carlo,
2019.
Bayesian parameter inference with stochastic solar dynamo models [Poster].
In:
Platform for Advanced Scientific Computing (PASC19), Zurich, 12-14 June 2019.
ZHAW Zürcher Hochschule für Angewandte Wissenschaften.
Verfügbar unter: https://doi.org/10.21256/zhaw-3225