14:00

Registrierung und Ankommen

14:30

BEGRÜßUNG
Prof. Stephanie Tritt, Prof. Wolfgang Reith, Prof. Matthias Hannig, UdS & UKS

14:50

Einführung in die KI
Prof. Christian Schorr, DFKI

KI-Systeme in der Pflegepraxis: Wie lässt sich KI-Pflege-Readiness fördern?
Dr. Kathrin Seibert, Uni Bremen

KI-Systeme sind im Pflegealltag angekommen und kommen weltweit zum Einsatz. Eine gelungene Anwendung von KI in der Pflege hängt jedoch nicht nur von technischen und infrastrukturellen Voraussetzungen sindern auch von sozialen und organisationalen Faktoren ab. Der Vortrag zeigt, welche KI-Systeme in der Pflege bereuts zum Einsatz kommen, stellt ausgewählte Forschungsprojekte aus Deutschland vor und fasst Faktoren zusammen, die die Umsetzung und den Erfolg von Forschungs- und Implementierungsprojekten fördern.

Vom Arztbrief zur klinischen Prädiktion: LLM-gestützte digitale Zwillinge in GO‑TWIN
Dr. Jacqueline Lammert, TU München

Komplexe Therapiesituationen bei Eierstockkrebs erfordern die longitudinale Betrachtung zahlreicher klinischer, laborchemischer und bildgebender Informationen. Ein wesentlicher Teil dieser Daten liegt jedoch unstrukturiert in Arztbriefen vor und ist für systematische Analysen und die Entwicklung klinischer Prädiktionsmodelle nur eingeschränkt zugänglich. Zugleich erschweren heterogene IT-Infrastrukturen, Datenschutzanforderungen und regulatorische Rahmenbedingungen den kliniknahen Einsatz moderner Large Language Models (LLMs).
 
Das Verbundprojekt GO‑TWIN – Gynecological Oncology: Targeting Women’s Individual Needs – adressiert diese Herausforderungen durch eine multimodale, LLM-gestützte Integration und Analyse von Krankenhausdaten. Dabei dienen die Sprachmodelle nicht der unmittelbaren Generierung von Therapieempfehlungen. Ihre Aufgabe besteht darin, klinisch relevante Informationen aus Arztbriefen strukturiert und im zeitlichen Verlauf aufzubereiten. In Verbindung mit weiteren Routinedaten entsteht so die Grundlage für longitudinale digitale Zwillinge, welche die individuellen Krankheits- und Therapieverläufe der Patientinnen abbilden.
 
Auf dieser Datengrundlage werden Prädiktionsmodelle entwickelt, die patientinnenindividuelle Risiken und mögliche Therapieergebnisse abschätzen sollen. Das Potenzial dieses Ansatzes zeigen bereits erste Analysen zur Wirksamkeit von Medikamenten, zur Vorhersage von Komplikationen unter Einbezug von Laborparametern sowie zur prognostischen Bedeutung von Muskelverlust für das Überleben.
 
Der Vortrag stellt die methodische Konzeption und erste Anwendungsszenarien von GO‑TWIN vor. Im Mittelpunkt steht die Frage, wie aus unstrukturierten klinischen Verlaufsdaten belastbare Prädiktionsmodelle entstehen und unter welchen Voraussetzungen deren Ergebnisse Behandlungsteams in komplexen Therapiesituationen unterstützen können. Ziel ist keine automatisierte Therapieentscheidung, sondern eine transparente und klinisch validierte, patientinnenzentrierte Informationsgrundlage für die gynäkologische Präzisionsonkologie.

Voice AI for Precision Health (in English)
Dr. Guy Fagherazzi, Dr. Abir Elbeji, LIH

TBA
Prof. Michael Forsting, UK Essen

16:35

PAUSE

17:30

Fairness ist eine Wertentscheidung, kein Rechenproblem – Wie uns ethische Überlegungen hier helfen können
Deborah Baum, Algoright & Health.AI ELI

KI-Systeme im Gesundheitswesen sollen faire Entscheidungen treffen. Doch was „fair” bedeutet, lässt sich nicht allein technisch bestimmen. Der Vortrag zeigt an Beispielen aus dem Health.AI-Netzwerk, warum sich verschiedene Fairness-Kriterien bei ungleichen Ausgangslagen nicht gleichzeitig erfüllen lassen, und warum die Wahl deshalb eine ethische ist.

Der EHDS: Vom Gesundheitsdatum zur KI-Ressource – Chancen, Regeln und Kosten 
Philipp Kachel, IDG Rheinland-Pfalz

Der European Health Data Space (EHDS) wird grundlegend verändern, wie Gesundheitsdaten in Europa verfügbar, interoperabel und für Forschung, Innovation und insbesondere KI nutzbar gemacht werden. Der Vortrag beleuchtet den aktuellen Stand der Umsetzung, neue regulatorische Anforderungen und die Frage, wie der Zugang zu qualitativ hochwertigen Daten für KI künftig praktisch funktionieren soll. Dabei geht es auch um die andere Seite des Datenraums: Welche technischen, organisatorischen und regulatorischen Aufwände entstehen für Kliniken und andere Datenhalter – und mit welchen Kosten ist für Datennutzer zu rechnen?

TBA
Sven Lichtschlag-Traut, Ärztekammer des Saarlandes

Diskussions-Panel 

19:15

COME TOGETHER MIT GEMEINSAMEM ABENDESSEN

08:00

Registrierung und Ankommen

08:45

Erklärbare und multimodale KI in der Kopf-Hals-Diagnostik: Vom Data Mining zur klinischen Bild- und Videoanalyse
Prof. Adrian Müller, HS Kaiserslautern

Ausgehend von der Analyse individueller Befundungsmuster und Inter-Observer-Variabilitäten im Ultraschall zeigen Data-Mining-Methoden wie Entscheidungsbäume und Warenkorbanalysen präzise Wege zur Optimierung der Parotisdiagnostik auf. Darauf aufbauend integrieren aktuelle Arbeiten erklärbare Computer-Vision-Pipelines (XAI) in Ultraschall und MRT, um morphologische Merkmale gezielt und transparent zu klassifizieren. Gleichzeitig erweitert sich das Anwendungsspektrum über statische Bildgebung hinaus auf videobasierte, multimodale KI-Ansätze, etwa zur präoperativen Risikostratifizierung des Atemwegs mittels transnasaler Laryngoskopie. Der Beitrag fasst diese Entwicklungen zusammen und zeigt auf, wie multimodale Modelle diagnostische Unsicherheiten reduzieren und Behandlungsentscheidungen im klinischen Alltag absichern können

Telemedizin, KI-Videoanalyse und OP-Berichtsschreibung -praktische Erfahrungen
Dr. Dirk Hüske-Kraus, Maris Healthcare, MoReEye

Es werden konkrete Erfahrungen mit MARIS Glass, einer für den telemedizinischen Einsatz konzipierten Datenbrille, beschrieben: Insbesondere werden Nutzungsszenarien, Nutzererwartungen, Integrationsprobleme und die erzielten Nutzeffekte dargestellt. Im zweiten Teil wird MoReEye vorgestellt, ein laufendes Projekt zur automatischen Analyse von OP-Videos in der Ophthalmochirurgie und automatischen OP-Berichtsschreibung. Hier stehen das Einsatzszenario, die geplante Funktionalität und erzielbare Vorteile, sowie denkbare Anwendungen in anderen klinischen Bereichen im Fokus.

LLM
Prof. Tim Dahmen, HS Aalen & DFKI

Markerless Lung Tumor Tracking in Stereoscopic IGRT Under Occlusion: A Hybrid YOLO and Bayesian Particle Filter Approach
Motchy Saleh, CHR Metz-Thionville Nancy

Das Vorhaben verbindet innovative Kamerasensorik, neurotechnologische Messverfahren und Methoden der Künstlichen Intelligenz zu einer praxistauglichen Gesamtlösung. Ziel ist es, relevante physiologische und verhaltensbezogene Signale automatisiert auszuwerten und daraus datenschutzbewusst Risikohinweise für definierte Anwendungsszenarien abzuleiten, etwa im klinischen Umfeld, in Notaufnahmen oder in kritischen Einrichtungen.

10:25

PAUSE

10:45

Strukturierte und validierte Daten – der Flaschenhals für den klinischen KI-Einsatz
Dr. Ira Stoll, myScribe

KI-Use-Cases im klinischen Umfeld gibt es mittlerweile in großer Zahl vom Diagnose-Support bis zur automatisierten Dokumentation. Der Engpass liegt jedoch selten in der Modellqualität, sondern in der Datenbasis: Unstrukturierte, unvalidierte oder inkonsistente Daten verhindern, dass vielversprechende Anwendungen den Sprung vom Pilotprojekt in den echten klinischen Alltag schaffen.
Mit myscribe waren wir einer der ersten Use Cases, der KI auf einer sehr großen, realen Datenmenge im klinischen Kontext eingesetzt hat. Genau diese Erfahrung hat uns gezeigt, wie entscheidend die Datenbeschaffung und -aufbereitung für den Projekterfolg ist und hat uns dazu bewogen, unseren Fokus konsequent in diese Richtung weiterzuentwickeln.
In diesem Vortrag zeigen wir, wie klinische Daten so aufbereitet werden können, dass sie den Anforderungen an Struktur, Qualität und Validität genügen, um als verlässliche Grundlage für KI-Anwendungen zu dienen. Anhand von Praxisbeispielen aus der Arbeit mit myscribe beleuchten wir typische Stolpersteine bei der Datenaufbereitung und zeigen konkrete Ansätze, wie Kliniken diesen Weg erfolgreich gehen können.

Von ärztlicher Heuristik zur verantwortbaren KI: Menschliches Entscheiden verstehen, bevor wir es automatisieren
Dr. Lukas Pillong, UKS

Medizinische Diagnostik beruht nicht allein auf objektivierbaren Befunden, sondern auch auf Erfahrung, individuellen Gewichtungen und teilweise impliziten Heuristiken. Gerade in untersucherabhängigen Disziplinen wie der Ultraschalldiagnostik bleibt deshalb häufig verborgen, wie diagnostische Entscheidungen tatsächlich zustande kommen.
 
Am Beispiel der sonografischen Beurteilung von Ohrspeicheldrüsentumoren nutzen wir Machine Learning zunächst nicht, um automatisiert eine korrekte Diagnose zu stellen, sondern um menschliches Entscheidungsverhalten zu modellieren. Interpretierbare Surrogatmodelle machen individuelle diagnostische Strategien sichtbar und ermöglichen, Gemeinsamkeiten, Unterschiede und potenzielle Schwachstellen dieser Entscheidungswege systematisch zu untersuchen.
 
Erst aus diesem Verständnis ergibt sich der nächste Schritt: diagnostische KI nicht allein auf das richtige Ergebnis zu optimieren, sondern ihre Struktur an klinisch nachvollziehbaren Teilprozessen auszurichten. Voraussetzung für einen verantwortbaren Umgang mit solchen Systemen ist daher nicht nur, die Maschine erklären zu können, sondern v.a. zunächst das eigene diagnostische Entscheiden besser zu verstehen.

PM4Onco: Data Matters in Precision Oncology
Prof. Melanie Börries, UK Freiburg

Die Präzisionsonkologie lebt von der Verfügbarkeit, Verknüpfung und intelligenten Nutzung heterogener Gesundheitsdaten. Das Verbundprojekt PM4Onco der Medizininformatik-Initiative schafft hierfür die notwendigen Strukturen und verbindet klinische Versorgung, Datenintegrationszentren (DIZ), Krebsregister und weitere Akteure in einer gemeinsamen Dateninfrastruktur.
Im Mittelpunkt des Vortrags steht das Molekulare Tumorboard (MTB) als zentraler Anwendungsfall für eine standort- und sektorenübergreifende Datennutzung. Anhand von PM4Onco wird gezeigt, wie Daten aus DIZ und Krebsregistern zusammengeführt und auch niedergelassene Ärzt:innen in MTB-Strukturen eingebunden werden können. Darüber hinaus wird diskutiert, welche Rolle KI zukünftig bei der Nutzung komplexer Daten in der Präzisionsonkologie spielen kann.

Interaktives Diskussions-Panel

12:30
13:00

LUNCH
LUNCH-SYMPOSIUM
TBA

13:30

Wenn die Diagnose unklar bleibt: Potenziale und Grenzen hybrider KI aus dem Forschungsprojekt SATURN
Patricia Kelbert, Fraunhofer

Seltene Erkrankungen stellen die medizinische Diagnostik häufig vor besondere Herausforderungen. Im Projekt SATURN wurde untersucht, ob und wie hybride KI-Verfahren Ärzt:innen bei der Diagnose unklarer Krankheitsbilder unterstützen können. Kern des Systems ist ein hybrider KI-Ansatz, der regelbasierte Verfahren, fallbasiertes Schließen und maschinelles Lernen miteinander verbindet.
 
Der Vortrag zeigt anhand eines konkreten Anwendungsfalls, wie diese drei Ansätze komplementäre und möglichst nachvollziehbare Diagnosehinweise liefern können. Im Mittelpunkt stehen die Erkenntnisse aus der Projektarbeit sowie zentrale Hürden: begrenzte und qualitativ heterogene medizinische Daten, Datensilos, unstrukturierte Dokumentation, Datenschutz und die aufwendige Erfassung klinischen Expertenwissens. Abschließend wagt der Vortrag ein Gedankenexperiment: Wie wäre das Projekt SATURN verlaufen, wenn uns damals bereits leistungsfähige generative KI und große Sprachmodelle zur Verfügung gestanden hätten?

VI Screen Pro – kontaktloses Screening Infektionen
Dr. Nasenien Nourkami-Tutdibi, Jenny Nguyen, UKS

Atemwegsinfektionen stellen Gesundheitseinrichtungen und andere Bereiche mit hohem Personenaufkommen weiterhin vor erhebliche Herausforderungen. VI-Screen-PRO entwickelt ein KI-gestütztes, kontaktloses Screening-System, das potenzielle Hinweise auf virusbedingte Atemwegserkrankungen bei vorbeigehenden Personen schnell und ohne direkten Eingriff erfassen soll. Das Vorhaben verbindet innovative Kamerasensorik, neurotechnologische Messverfahren und Methoden der Künstlichen Intelligenz zu einer praxistauglichen Gesamtlösung. Ziel ist es, relevante physiologische und verhaltensbezogene Signale automatisiert auszuwerten und daraus datenschutzbewusst Risikohinweise für definierte Anwendungsszenarien abzuleiten, etwa im klinischen Umfeld, in Notaufnahmen oder in kritischen Einrichtungen. Das interdisziplinäre Konsortium bündelt hierfür Expertise aus Medizin, Technik, Mathematik und Industrie: Das Team von Prof. Dr. Strauss bringt neurotechnologische Kompetenz ein, Prof. Dr. Sigrun Smola die virologische Perspektive. Ergänzt wird das Konsortium durch die Zahnmedizin unter Leitung von Prof. Hannig, die angewandte Mathematik mit Prof. Dr. Gabriele Steidl von der Technischen Universität Berlin sowie den Industriepartner Cubicle GmbH mit Oliver Simons. Für Medizin, Forschung und Industrie eröffnet VI-Screen-PRO damit eine gemeinsame Entwicklungsplattform. Klinische Anforderungen, medizinische Validierung, KI-Modelle, Systemintegration und regulatorische Perspektiven werden von Beginn an zusammengedacht. Das Projekt adressiert neben der technischen Machbarkeit insbesondere Akzeptanz, Datenschutz, klinische Einbettung und die Überführung in skalierbare Produkte und Versorgungsprozesse. VI-Screen-PRO steht für den Transfer KI-basierter Forschung in robuste und verantwortungsvoll einsetzbare Technologien zur Stärkung von Infektionsprävention und Resilienz im Gesundheitswesen.

Explainable NeuroAI for Structural Brain MRI: Aging Signatures and Sex Dimorphism (in English)
Surya Theja Therala, Neuroradiologie UKS

Background: Deep learning models predict brain age and sex from MRI with high accuracy,
but their decisions stay opaque. Voxel-based morphometry (VBM) finds anatomical effects at
the group level but cannot make predictions for individuals. We asked whether the regions a
CNN relies on match the clusters that classical statistics identifies.
Methods: We selected 207 T1-weighted clinical MRI scans (ages 15–72) from the UKS PACS
after strict quality control. Scans were segmented into grey and white matter with
CAT12/SPM12 and normalised to MNI space. Both analysis branches used these same tissue
maps. Branch A was a voxel-wise GLM for age and sex effects, FWE-corrected for age. Branch
B was a Random Forest baseline and a multi-task 3D CNN predicting age, sex and tissue class
(145 training, 41 validation, 20 held-out test subjects). We used Grad-CAM attention maps from
the CNN and compared them with the SPM t-maps.
Results: Grey matter decreased with age in one bilateral cluster of 154,193 voxels, with its
peak in the insula (MNI 33/-3/4, T = 10.4). The CNN predicted age with an MAE of 2.0 years in
grey matter and 1.7 years in white matter. It classified sex with 95% accuracy and tissue class
with 100% accuracy. Grad-CAM attention matched the SPM findings: temporo-insular for
grey-matter age, pericentral for white-matter age, and claustrum/putamen for sex.
Conclusion: Deep-learning predictions can be checked against established statistics. This
convergence supports brain age as an interpretable, clinically trustworthy biomarker.

14:35

ALLGEMEINE VERABSCHIEDUNG & WrapUp

15:00

WORKSHOPS

Workshop 1

Thema: TBA

Workshop 2

Thema:
KI, XR, Digital Twin und Quanten technologies in der Medizinforschung
mit Ariane Teymouri und Julia Hartnik

Workshop 3

Thema:
Datenökosystemgestaltung – Data Fabric
mit Ariane Teymouri und Julia Hartnik

Workshop 4

Thema:
Erklärbarkeit und Sicherheit von KI in der Medizin
mit Manuela Schuler

Zur Kurzbeschreibung

Workshop 5

Thema:
Data Governance – Die Datenreise geht weiter
mit Agnès Lotton

Workshop 6

Thema:
Implementierung von KI-Anwendungen in der Klinik – Voraussetzungen, Nutzen und Kollateralschäden
mit Dirk Hüske-Kraus

Zur Kurzbeschreibung

Workshop 7

Thema:
KI in der Medizin: Data Literacy, Modellqualität und Kosteneffizienz für den verantwortungsvollen Einsatz im klinischen und wissenschaftlichen Alltag
mit Adrian Müller und Desmond Krämer

Zur Kurzbeschreibung
ZUR BUCHUNG DER TEILNAHME

Sie werden auf die Buchungsseite von eveeno.com weitergeleitet

KI-Symposium Homburg
29. & 30. Januar 2027

Neuer Hörsaal der Universität des Saarlandes​
Campus Homburg, Geb. 35​
66421 Homburg – Saar

Health.AI
ki-symposium@health-ai.de

Das Symposium 2027 wird unterstützt von

Boston Scientific Logo
Balt Logo