Projektbeschreibung
Während Machine Learning (ML) zahlreiche Bereiche, einschließlich der Biomedizin, tiefgreifend beeinflusst hat, gewinnt mit zunehmender Komplexität der ML-Modelle deren Erklärbarkeit an zentraler Bedeutung. Insbesondere in Hochrisikobereichen wie der Medizin, wo Patientenergebnisse und Haftungsfragen transparente Entscheidungsfindung erfordern, ist dies von entscheidender Relevanz. Obwohl Quanten-Machine-Learning (QML) vielversprechende Ansätze für komplexe Datenanalysen bietet, findet es in der Medizin gegenwärtig kaum Anwendung. Ein wesentlicher Grund hierfür ist die unzureichende Erklärbarkeit quantenbasierter Modelle, die deren Akzeptanz und Einsatz in klinischen Kontexten erheblich behindert. Dieses Forschungsprojekt zielt darauf ab, diese Lücke zu schließen, indem systematisch die Potenziale von erklärbarem Quanten-Machine-Learning (XQML) in molekular-phänotypischen Assoziationsstudien untersucht werden.
Im Rahmen des Projektes sollen daher folgende Forschungsfragen adressiert werden:
Wie können spezifische QML-Algorithmen zur Identifikation molekular-phänotypischer Assoziationen in umfangreichen Real-World-Datensätzen eingesetzt werden?
Wie können XQML-Techniken genutzt werden, um Muster und Korrelationen höherer Ordnung in genomischen und Multi-Omics-Datensätzen zu erklären? Wie lassen sich bestehende XAI-Methoden anpassen, um transparente Erklärungen für Entscheidungsprozesse quantenbasierter Modelle in klinischen Kontexten zu liefern?
Welche neuartigen Erklärbarkeitsparadigmen müssen entwickelt werden, um quantenspezifische Phänomene wie Superposition und Verschränkung in biomedizinischen Anwendungen effektiv zu interpretieren?
Ausgangsbasis für die Forschung bilden aktuelle Entwicklungen im Bereich des Quanten-Machine-Learnings sowie etablierte Methoden der Erklärbarkeit von KI-Systemen. Im Verlauf des Projektes sollen XQML-Tools entwickelt und evaluiert sowie eine strategische Roadmap für zukünftige Forschung erstellt werden. Das Forschungsvorhaben soll somit zum Verständnis und zur praktischen Anwendung von erklärbarem Quanten-Machine-Learning in der Biomedizin beitragen.
2 Jahre