Averbis Internship Program

Zusammenfassung & Zweck

Studien zeigen, dass Ärzte an einem 11-stündigen Arbeitstag bis zu 6 Stunden mit der Dokumentation verbringen1. Ein wesentlicher Teil dieser Zeit wird u.a. für die Dokumentation von Diagnosen und Medikamenten der Patienten aufgewendet. In dieser Masterarbeit sollen diese medizinischen Entitäten automatisch aus dem initialen Anamnese-Gespräch zwischen Patient und Arzt extrahiert werden. Um dieses Ziel zu erreichen, sollten state-of-the-art Speech-to-text-Algorithmen mit unserer Textanalyse kombiniert werden. Diese Textanalyse kann bereits viele Entitäten aus medizinischen Dokumenten mit hoher Sicherheit extrahieren. Ein besonderer Schwerpunkt in der Arbeit soll auf der Berücksichtigung der speziellen Frage- und Antwortstruktur liegen, die typischerweise in einem Patienten-Arzt-Dialog vorhanden ist. Der Student / die Studentin wird ermutigt, verschiedene Methoden im NLP Bereich auszuprobieren und sie mit unserem bestehenden System zu kombinieren.

Was Du mitbringst

• Du bist Student/in oder Absolvent/in eines Studiums (Uni/FH) der Informatik, Wirtschaftsinformatik, Mathematik oder Vergleichbares
• Dich begeistern Methoden des maschinellen Lernens, und/oder Text Mining
• Du hast gute Kenntnisse in Python oder Java und Frameworks wie z.B. TensorFlow, scikit-learn, PyTorch (oder vergleichbare Frameworks) sind dir vertraut
• Deutschkenntnisse sind von Vorteil

Zusammenfassung & Zweck

Maschinelle Lernverfahren zur Dokumentenklassifizierung liefern oft beeindruckende Ergebnisse, doch ihre Entscheidungen sind schwer nachvollziehbar. Dieses Black-Box-Verhalten hat einige große Nachteile: Für Anwender kann es zu einem Mangel an Vertrauen in maschinellen Lernmodellen führen. Für Text-Mining-Ingenieure macht es die Verbesserung falscher Klassifikationsentscheidungen sehr schwierig. In dieser Masterarbeit soll der Student / die Studentin mit Erklärbarkeits- und Visualisierungsmethoden für Support-Vektor-Maschinen, Convolutional Neural Network und für andere neuere Deep-Learning Ansätze experimentieren. Die Arbeit soll primär im Rahmen von einer Dokumentenklassifikation stattfinden. Das Ziel ist es, Token oder Gruppen von Tokens zu identifizieren, die für die Entscheidung der Modelle verantwortlich sind.

Was Du mitbringst

• Du bist Student/in oder Absolvent/in eines Studiums (Uni/FH) der Informatik, Wirtschaftsinformatik, Mathematik oder Vergleichbares
• Dich begeistern Methoden des maschinellen Lernens, und/oder Text Mining
• Du hast gute Kenntnisse in Python oder Java und Frameworks wie z.B. TensorFlow, scikit-learn, PyTorch (oder vergleichbare Frameworks) sind dir vertraut
• Deutschkenntnisse sind von Vorteil