Maschinelles Lernen in der biomedizinischen Bildgebung – ein Gespräch mit Prof. Dr. Julia Schnabel

00:00:00: Willkommen im Maschinenraum Gesundheit, dem Podcast der TK Landesvertretungen.

00:00:08: Hier treffen wir Antreiberinnen und Pioniere, die sich für eine bessere Versorgung stark machen,

00:00:14: die Grenzen verschieben und Fortschritt vorantreiben.

00:00:17: Herzlich willkommen zu dieser Folge aus München.

00:00:25: Mein Name ist Katran Heidebreck und ich bin Pressereferentin bei der Technikerkrankenkasse in Bayern.

00:00:31: Ich spreche heute mit Professor Dr. Julia Schnabel.

00:00:34: Sie ist Informatikerin, Professorin an der Technischen Universität München und am King's College London.

00:00:40: Sie leitet das Institut für Maschinelles Lernen in der biomedizinischen Bildgebung am Helmholzzentrum München.

00:00:48: Hallo Frau Professor Dr. Schnabel.

00:00:50: Hallo, guten Tag.

00:00:52: Für mich sind Sie eine echte Pionierin auf dem Gebiet des Maschinellen Lernens.

00:00:57: Sie haben schon Ende der 80er Jahre angefangen, mit Daten und neuronalen Netzen zu arbeiten.

00:01:02: Woher kam dieses Interesse für Daten und die Informatik?

00:01:07: Ich sage es mal so, bei mir zu Hause stand in den 80er Jahren kein Computer rum.

00:01:12: Ich muss sagen, ich komme aus einem akademischen Haushalt von Physikern

00:01:17: und meine Schwester hat auch Informatik studiert.

00:01:20: Also war es für mich immer sehr logisch, das zu machen.

00:01:24: Wir hatten schon Informatik an der Schule im Amgymnasium.

00:01:28: Hatt ich ein Grundkurs Informatik.

00:01:30: Wir hatten eines der ersten Unix-Cluster.

00:01:33: Also ich habe auch richtig Unix von der PIKE auf gelernt.

00:01:38: Und hatte immer schon Interesse, mathematische Dinge in Programme umzusetzen

00:01:45: und damit automatisch Lösungen finden zu können.

00:01:48: Das ist einfach nur sehr elegante Weise, sich viel Zeit und Mühe zu sparen.

00:01:53: Und dann sind Sie zum Maschinenlernen gekommen, arbeiten heute am Helmholtz-Zentrum München

00:01:59: und seinen Professorin an der TU München.

00:02:01: Erzählen Sie mir bitte einmal, was Sie machen in Ihrem Bereich.

00:02:05: Gut, also ich leite dieses Institut hier am Helmholtz München,

00:02:09: was sich damit beschäftigt, klinische Probleme in der Radiologie anzugehen

00:02:16: und Lösungen für Radiologen, Onkologen, Radiologen und so weiter zu schaffen.

00:02:21: Wir arbeiten an dem Prinzip der künstlichen neuronalen Netzwerke,

00:02:27: wo man viele Daten also füttert.

00:02:31: Also in meinem Fall Bilddaten, MRTIs oder CTS oder Röntgenbilder

00:02:37: oder Ultraschallbilder oder Nuklearmedizinbilder.

00:02:40: Und an den Daten, die diese Netzwerke trainiert

00:02:43: und dann automatisch Auffälligkeiten finden kann

00:02:47: oder Volumen extrahieren kann, messen kann, Abstände messen kann,

00:02:54: einfach kleine Bildelemente zusammenadrigieren kann

00:02:58: und sagen kann hier ist das Herz oder hier ist die Leber

00:03:01: oder hier sitzt leider ein Tumor.

00:03:03: Das sind wirklich Computeralgorithmen, die Arbeit auf Maschinenlernen basieren.

00:03:09: Sie arbeiten auch in der Klinik oder zumindest in der klinischen Forschung,

00:03:14: in der Praxis sozusagen.

00:03:16: Was ist denn das Ziel, wenn wir jetzt mal in 10, 20 Jahren denken,

00:03:21: ist es dann möglich in ein MRT zu gehen

00:03:24: und dieses Gerät erkennt einen Tumor, der so klein ist,

00:03:27: dass es menschliche Auge es eigentlich nicht erkennen kann?

00:03:30: Ja, es ist eines der Ziele unserer aktiven Vorstand.

00:03:33: Also ich arbeite sehr eng mit Radiologen, Neuroradiologen,

00:03:36: vor allem zusammen, die uns auch erklären, was ihnen fehlt im Moment.

00:03:42: Ein Neuron Radiologer hat es mir mal sehr gut erklärt,

00:03:45: hat gesagt, wenn er alle Zeit der Welt hätte,

00:03:47: würde er sich jedes Bildelement, jeden Teil, jede Sequenz,

00:03:50: ganz genau mit der Lupe angucken.

00:03:52: So hilft ihm die KI, schneller Auffälligkeiten zu finden

00:03:58: und genauer zu untersuchen

00:04:00: und dann vielleicht auch neue Bilder zu ordern,

00:04:02: die noch zusätzlich gemacht werden müssen.

00:04:04: Im Moment wird immer die gleiche Sequenz,

00:04:07: die gleiche Menge von Bildern akquiriert,

00:04:10: man weiß, fit's all.

00:04:12: Aber eigentlich kann man manche Sachen sehr schnell ausschließen

00:04:15: bzw. manche Sachen sind sehr versteckt

00:04:17: und da muss man dann genauer nachgucken.

00:04:19: In Zukunft denke ich wirklich, dass man das einfacher machen kann,

00:04:23: dass man Frühwarnsysteme erstellen kann,

00:04:26: wo Neuroradiologen rechtzeitig,

00:04:28: aber nicht immer unbedingt zu früh eingeschaltet werden,

00:04:31: denn deren Zeit ist auch sehr wertvoll.

00:04:33: Und viele Zeit ist wirklich nur damit bestückt,

00:04:37: dass sie Dinge ausschließen, was sehr wichtig ist.

00:04:40: Wir Patienten auch sehr berühmt.

00:04:42: Aber viel kann davon auch automatisiert werden.

00:04:45: Die künstliche Intelligenz braucht doch immer die humane Intelligenz.

00:04:49: Sie haben es gerade gesagt.

00:04:51: Jetzt hat ihr Kollege Prof. Fabian Teismal gesagt,

00:04:54: erst mal das Feverthermometer eingeführt hat,

00:04:56: haben alle gedacht, oh Gott, das ersetzt den Arzt.

00:04:59: Das hat den Arzt natürlich nicht ersetzt.

00:05:01: Das ist in der künstlichen Intelligenz.

00:05:03: Wie empfinden Sie die Zusammenarbeit in der Praxis?

00:05:08: Ich habe den Eindruck, dass die Medizinerinnen und Mediziner,

00:05:11: die mit ihnen arbeiten, sagen, super, wie sie sagen, es spart mir Zeit.

00:05:15: Oder gibt es da noch viele Vorbehalte

00:05:17: und man müsste noch viel Aufklärungsarbeit leisten?

00:05:20: Ja, und ja.

00:05:22: Also der Begriff künstliche Intelligenz ist schon sehr schwierig.

00:05:25: Das ist keine Intelligenz in dem Sinne.

00:05:28: Das ist wirklich nur eine Automatisierung,

00:05:30: die aber neue Dinge finden kann.

00:05:32: Und das ist das Intelligente vielleicht daran.

00:05:35: Die humane Intelligenz, wir wissen es aber auch nicht unfehlbar.

00:05:39: Es werden Fehler gemacht.

00:05:41: Radiologen, die sehr lange Schichten arbeiten, Urlaubsbedarf haben,

00:05:45: morgens Fitter sind als Abends machen, auch Fehler.

00:05:48: Und die sind belegt.

00:05:50: Es gibt wirklich eine hohe Fehlerrate,

00:05:52: vor allem wenn alte Bilder nochmal angeguckt werden,

00:05:55: weil dann der Kontext häufig fehlt.

00:05:57: Und solche Intelligenz, die wird nicht müde.

00:05:59: Die ist wie ein solider Co-Pilot, den man an seiner Seite hat.

00:06:02: Ich würde immer denken, dass wir mit unseren Methoden,

00:06:05: Radiologen, Kliniker unterstützen.

00:06:08: Das ist computergestützte Intelligenz eigentlich.

00:06:11: Und sie wird nie wirklich das medizinische Wissen ersetzen,

00:06:15: aber sie wird das medizinische Wissen vorantreiben.

00:06:18: Also es werden schneller Erkenntnisse gewonnen,

00:06:21: es werden schneller Zusammenhänge erkannt.

00:06:23: Wir sind so in unseren Spezialitäten zu erfahren,

00:06:26: dass es schwierig ist, manchmal richtig große Zusammenhänge zu entdecken,

00:06:30: Diabetes mit Leberkrankheiten und anderen Dingen.

00:06:33: Und durch diese riesen Datenmengen, die auch auf Erzöl zukommen,

00:06:37: ist das häufig nicht mehr einfach manövrierbar.

00:06:39: Da setzt dann die künstliche Intelligenz ein.

00:06:42: Thema Daten.

00:06:44: Sie haben vorher in UK gearbeitet.

00:06:47: Wir haben schon in der Corona-Pandemie festgestellt,

00:06:50: die hatten bessere Daten zum Thema Corona-Infektionen.

00:06:53: Die Datenverfügbarkeit ist ein großes Thema.

00:06:56: Dann das Thema Datenqualität.

00:06:58: Sie sagen so recht, wir sitzen auf einem Goldschatz an Daten,

00:07:01: aber wir können sie nicht nutzen,

00:07:03: weil sie nicht so strukturiert zur Verfügung stehen.

00:07:06: Und jetzt wird es ja möglich sein,

00:07:08: dass man Versorgungsforschung betreibt anhand von E-Padaten,

00:07:11: ab nächstem Jahr 25,

00:07:13: was braucht es,

00:07:15: dass wir in ihrem Bereich,

00:07:17: dass Sie in Ihrem Bereich besser forschen können?

00:07:20: Es braucht bessere Vernetzung.

00:07:22: Es geht nicht unbedingt um die Digitalisierung,

00:07:24: denn die liegt ja in den Krankenhäusern und Krankenkassen

00:07:27: eh schon vor.

00:07:29: Aber sie ist halt sehr unstrukturiert und sehr unterschiedlich

00:07:32: zwischen den unterschiedlichen Krankenkassen,

00:07:34: zwischen den unterschiedlichen Krankenhäusern,

00:07:36: innerhalb von Krankenhäusern,

00:07:38: zwischen den unterschiedlichen Kliniken in den Krankenhäusern.

00:07:41: Der Vorteil im UK-System,

00:07:43: natürlich der NHS,

00:07:45: das National Health Service System,

00:07:47: ist ein System,

00:07:49: es ist vernetzt, ganz Schottland,

00:07:51: ist ein Infrastruktursystem im NHS.

00:07:54: Also das ist wirklich für uns,

00:07:56: wäre für uns ideal,

00:07:58: weil alles direkt verfügbar ist.

00:08:00: Es wäre auch für die Patienten besser, das so zu haben.

00:08:03: Im englischen System hat der Hausarzt

00:08:06: Zugriff auf die Krankenhausakten im NHS,

00:08:09: er sieht oder sie sieht,

00:08:11: alles, was jeweils an diesen Patienten,

00:08:13: diese Patientin verschrieben wurde,

00:08:15: was für medizinische Befunde vorliegen und so weiter.

00:08:19: Hier muss ein Patient,

00:08:21: ein Patient im Moment die Krankenakte selber

00:08:23: von Arzt zu Arzt tragen,

00:08:25: vergisst es manchmal, vergisst auch zu erwähnen,

00:08:27: wenn sie beim Orthopäden sind,

00:08:29: dass sie auch beim Radiologen sind

00:08:31: und dann werden unter Umständenschmerzmittel verschrieben,

00:08:33: die vielleicht nicht kompatibel mit der Herzkrankheit sind.

00:08:36: Und das auch hoffe ich mir hier,

00:08:38: dass mit dieser Vernetzung nicht nur bessere Daten

00:08:41: und strukturiertere Daten auf uns zu kommen,

00:08:44: sondern dass es auch den Patienten selber nutzen wird,

00:08:47: direkt nutzen wird und nicht nur auf lange Forschungssicht,

00:08:50: dass die Versorgung von Patienten dadurch

00:08:53: systematischer stattfinden wird.

00:08:56: Sie haben vorhin gesagt, sie brauchen

00:08:59: Daten von gesunden, Bilder von gesunden Menschen.

00:09:02: Erzählen Sie das bitte nochmal, das war sehr spannend.

00:09:05: Ja, also wir erstellen Modelle,

00:09:08: normative Modelle nennen wir das,

00:09:10: wie ein Mensch gesund auszusehen hat.

00:09:13: Mit der normalen anatomischen,

00:09:16: physiologischen, funktionalen Variation,

00:09:19: die wir als Lebewesen haben,

00:09:21: auch zwischen unterschiedlichen Altersgruppen, Geschlechtern,

00:09:25: ethnischen Kategorien und so weiter.

00:09:29: Das ist unheimlich wichtig, dass man erst mal sieht,

00:09:32: was ist denn ein gesundes Bild,

00:09:35: bevor man überhaupt sehen kann, was ein Krankheitsbild ist.

00:09:38: Und so lernen Ärzte ja eigentlich auch,

00:09:41: die wissen, wie ein gesundes Herz sich anzuhören hat.

00:09:44: Wenn sie dann ein krankes Herz abhören,

00:09:46: hören sie dann den Unterschied.

00:09:48: Und deswegen müssen wir unsere Modelle auch erst mal sofort trainieren,

00:09:51: dass wir erst mal wissen, was ist gesund,

00:09:53: wie sieht ein gesundes Gehirn aus zum Beispiel,

00:09:55: sodass wir dann, wenn wir ein vortrainiertes Netzwerk haben,

00:09:58: was gesunde Gehirne gut repräsentieren und abbilden kann,

00:10:02: automatisch Anomalinen finden kann,

00:10:05: was außerhalb des Rahmen des normalen Gesundheitsbildes fallen kann.

00:10:12: Und das ist natürlich sehr hilfreich, wenn man Screening macht,

00:10:16: wenn man Lungen abbildet oder Mammographien macht

00:10:19: oder anderes regelmäßiges Screening macht,

00:10:22: dass man Abweichungen sehr schnell finden kann

00:10:25: und die Aufmerksamkeit der Ärzte darauf lenken kann.

00:10:29: Das heißt, sie bekommen dann die Daten von Freiwilligen,

00:10:32: die einen Studienteil nehmen, oder?

00:10:34: In diese gesunden Daten?

00:10:35: Ja, daran habe ich sie halt.

00:10:37: Jetzt noch bei uns diese Daten sind nicht so einfach verfügbar.

00:10:41: Natürlich haben wir Ausschlussdaten aus Krankenhäusern, wo ein Verdacht bestand, der dann aber nicht bestätigt wurde.

00:10:49: Und umgekehrt haben wir auch, was wir "inzidentelle Befunden" nennen, dass jemand, der vielleicht einen Fahrradunfall auf dem Weg zur Arbeit hatte,

00:10:57: und dann ein Röntgenbild bekommt, das dann auch aus Versehen praktisch nicht nur der Rippenbruch gefunden wird, sondern auch ein Nudul in der Lunge.

00:11:06: So man hat dann beides eigentlich.

00:11:09: Und das sind jeweils sehr interessante Bilder für uns.

00:11:14: Die einen geben uns ein gesundes Krankheitsbild, wo eine Krankheit ausgeschlossen wurde und die anderen bringen uns ein ganz frühes Krankheitsbild,

00:11:23: ein ganz kleines Nudul, wo noch früh eingesetzt werden kann mit der Therapie und nicht erst später,

00:11:27: wenn der Patient mit Husten in der Notaufnahme landet und einen großen Nudentumor schon hat.

00:11:33: Also zur Früherkennung oder zum Ausschluss von Krankheiten oder zur normativen Darstellung sind solche Bilder für uns unschätzbar.

00:11:41: Was wir haben, sind große Populationsdatenbanden, zum Beispiel die deutsche nationale Kohorte,

00:11:48: wo wir 30.000 Bilder haben von der Population in Deutschland, also ausgewählt in einer bestimmten Altersgruppe,

00:11:56: wo es bestimmte Krankheiten auch gibt.

00:12:00: Aber wir sehen so, wie die Gesellschaft in dieser Menge etwa aussieht.

00:12:05: Das ist auch sehr interessant.

00:12:06: Wir haben die normale Privallenz, vielleicht etwas geringere Privallenz von Krankheiten drin, weil es Wohnentheere sind und die die Wohnentheere eher gesund sind,

00:12:16: aber halt auch schon irgendwelche Krankheiten vorweisen könnten.

00:12:19: Jetzt wären wir heute in diesem KI-Zeitalter nicht, wenn es schon vorher Menschen gegeben hätte, die sich mit Algorithmen,

00:12:26: Maschinen lernen und KI beschäftigt haben.

00:12:29: Was waren so die großen Errungenschaften, dass wir heute da sind, wo wir stehen?

00:12:35: Wir haben dieses Gespräch in einer Woche Mitte Oktober gerade, ist es bei uns gerade.

00:12:40: Letzte Woche Anfang Oktober sind mehrere Nobelpreise vergeben worden, die ist eigentlich ganz genau klar.

00:12:46: Das ist ein Hauptzeichen.

00:12:47: Also der Nobelpreis für Physik ging an John Hopfield mit dem Hopfield-Netzwerk aus den 80er Jahren, also ich in den 90er Jahren auch noch programmiert habe.

00:12:55: Und Jeff, der ist der Partel der KI, der Godfather of KI, da steht, der die Boltzmann-Maschine entwickelt hat.

00:13:04: Unter anderem hat er auch Backpropagation und andere wichtige Methoden gemacht, die wir auch immer noch benutzen.

00:13:12: Das ist irre, dass das in der Physik ein Nobelpreis war, aber es heißt auf das Datenforschung, Experimente sehr eng miteinander verwoben sind und so viel Daten mittlerweile in Experimente erhoben werden,

00:13:23: dass es die KI braucht, um daraus noch schnell Sinn zu machen.

00:13:27: Und der andere Nobelpreis für Chemie ging an David Baker für wirklich Protein-Design durch mit KI und an Dennis Hasabis und John Jumper von Google Deep Mind,

00:13:39: die wirklich Proteinstruktur-Predictionen gemacht haben mit ihrem Alpha-Fold-Algorithmus.

00:13:45: Also und das ist sehr neu, was die gemacht haben.

00:13:48: Das ist erst 2018 passiert.

00:13:50: Also der andere Preis geht auf, Physik geht auf die in die 90er, 80er Jahre eigentlich zurück.

00:13:56: Eigentlich geht die KI noch sehr viel weiter zurück.

00:13:59: Ich könnte mit Alan Turing anfangen, der schon davon geträumt hat, dass es intelligente Maschinen mal geben wird und natürlich das Original Perceptron von Rosenblatt und so weiter.

00:14:09: Also es gibt viele Pioniere der KI im letzten Jahrhundert, aber auch viele jetzt in diesem Jahrhundert, wie schnell das passiert,

00:14:17: kann ich nur noch damit vergleichen, wie schnell Röntgen seinen Physik-Nobelpreis für die Röntgenstrahlen bekommt.

00:14:23: Auch innerhalb von, ich glaube, von vier Jahren hatte er seitdem ersten Physik-Nobelpreis bekommen.

00:14:28: Also das ist jetzt rasant, was hier gerade passiert.

00:14:31: Ich hätte Sie vorhin gefragt, ob wir ein bisschen mehr in Datenbildung investieren müssen, um es mal so flapsig zu sagen,

00:14:38: weil wenn man nach China schaut, dort wird sehr viel investiert in die Bildung von jungen Menschen,

00:14:44: auch um die Grundkenntnisse von maschinellen Lernen zu verstehen und auch KI.

00:14:47: Und Sie haben gesagt, es ist eher wichtig, dass man auch die Geschichte versteht.

00:14:50: Sie verstehen jetzt, woher diese Nobelpreise kommen und was die Basics waren.

00:14:55: Und heute haben Sie auch gesagt, gibt es ja auch so einen Schablon, wie man Algorithmen sich bauen kann.

00:15:01: Das heißt, man muss diese Basics dahinter vielleicht gar nicht so verstehen.

00:15:06: Ist das pro und kontra wahrscheinlich?

00:15:09: Es geht schnell voran, aber man findet vielleicht den Fehler nicht so schnell, oder?

00:15:14: Ja, es geht schneller voran.

00:15:16: Die Lernkurve ist sehr viel geringer als früher.

00:15:19: Also man muss sich nicht durch die Mathematik durchquelen und alles von Grund auf implementieren.

00:15:24: Andererseits geht das Verständnis dadurch auch ein bisschen runter,

00:15:28: was eigentlich in diesen sogenannten Blackbox-Noronal-Netzwerken passiert.

00:15:33: Eigentlich passiert darin auch nur Mathematik, ein bisschen Stochastik noch versehen.

00:15:38: Und es liegt immer an den Daten, die man einfüttert.

00:15:42: Das ist wie die Boundary Conditions von mathematischen Differenziergleichung.

00:15:48: Also man kann neuronale Netzwerke

00:15:51: gleiche Architektur mit unterschiedlichen Daten trainieren, kriegt unterschiedliche Ergebnisse.

00:15:55: Also da gibt es auch viel rauszufinden, wie man das besser tunen kann, wie man bewirken kann.

00:16:02: Dass die nicht irgendwie gebiased sind oder immer funktionieren, robust sind.

00:16:07: Wenn die Qualität der Daten vielleicht weniger wichtig ist, als man denkt.

00:16:12: Denn es muss auch mit schlechten Daten funktionieren.

00:16:14: In einem Feldwaldwiesen-Krankenhaus muss es genauso gut funktionieren

00:16:17: wie in einem State of the Art Krankenhaus.

00:16:19: Ich denke, die mathematischen Grundlagen sind immer wichtig, also linearer Algebar.

00:16:25: Und Calculus Analysis wird immer wichtig sein.

00:16:29: Aber ich glaube, dass die Breite das vielleicht nicht mehr so braucht.

00:16:33: Ich muss auch nicht mehr genau capieren, wie mein Auto von Grund auf funktioniert.

00:16:36: Ich kann einfach den Einsteigen und losfahren.

00:16:38: Und diese Hemmschwelle ist weg.

00:16:41: Und das beschleunigt natürlich viele Sachen.

00:16:43: Macht vieles aber auch ein bisschen inkrementeller gerade.

00:16:47: Aber es gibt immer wieder diese neuen Schnittpunkte, die Transformer, die in Alfa DeepMind,

00:16:53: Alfa Fold von DeepMind benutzt wurden, sind von 2017 ganz neu.

00:17:00: Also ab und zu gibt es ein Step Change und der bringt uns wieder eine ganz große Wobenwelle voran.

00:17:06: Ich bin davon ausgegangen, dass Studierende, die aus China hierherkommen,

00:17:11: den anderen Studierenden vieles voraus haben.

00:17:13: Und Sie haben zu Recht gesagt, wir haben hier eine ganz tolle Forschung.

00:17:16: Und es kommen ja ganz viele hierher, um hier zu studieren.

00:17:18: In Ihrem interdisziplinären Team und wahrscheinlich in Ihrem internationalen Team

00:17:23: arbeiten Sie gerade an welchen spannenden Projekten.

00:17:28: Ja, sehr, ich habe ein sehr internationales Team.

00:17:30: Ich glaube, wir sprechen mindestens zehn Sprachen, unter anderem auch chinesisch natürlich,

00:17:34: aber auch koreanisch und und und spanisch und französisch.

00:17:39: Jetzt müsste ich schon mal gucken, mir noch.

00:17:41: Wir arbeiten an der ganzen Bildpipeline, also vom NIT-Scanner oder CT-Scanner

00:17:49: oder Ultrasound Ultraschall Transducer bis hin zur klinischen Diagnostik.

00:17:55: An unterschiedlichen Grundelementen, wie kann man bessere Daten rekonstruieren,

00:17:59: wie kann man die Bildqualität hoch pushen, die Auflösung,

00:18:04: entweder temporär oder lokal oder beides verbessern,

00:18:09: wie kann man automatisch ohne anotierte Trainingsdaten,

00:18:15: sondern nur an den Rohdaten Bewegung korrigieren,

00:18:18: wie kann man automatisch eine Anomalien erkennen

00:18:23: und wie kann man auch große Text-Sprachmodelle benutzen,

00:18:28: auf großen Populationsdaten backen, um neue Zusammenhänge zu erkennen.

00:18:33: Also wir arbeiten eigentlich an der ganzen Pipeline, die auch durch so ein Krankenhaus gehen würde.

00:18:38: Das heißt, Sie haben Medizine, Informatiker, Techniker?

00:18:43: Ich habe Informatiker, Physiker, vor allem Mediziner abkollaboriere ich.

00:18:50: Die könnte ich nicht direkt betreuen, aber ich grob betreue einige.

00:18:54: Ich arbeite mit Radiologen, vor allem Neuroradiologen in der Klinik,

00:19:00: direkt zusammen, die natürlich auch ihre eigenen Doktoranden noch haben.

00:19:04: Hier in der Gruppe ist es Mathematiker auch,

00:19:07: also eigentlich eher auf der wissenschaftlich technischen Seite,

00:19:11: weniger auf der biologisch-medizinischen Seite.

00:19:15: Dazu brauche ich Kollaboration.

00:19:17: Dazu ist die Interdisziplinarität auch wichtig,

00:19:20: weil wir brauchen den richtigen Input, nicht nur die Daten, wir brauchen auf die Interpretation.

00:19:24: Und was war der Grund, dass Sie zurückgekommen sind nach München?

00:19:29: München? Ja, schön.

00:19:31: Ja, das stimmt.

00:19:32: Ich meine jetzt eher als Helmholtz-Zentrum.

00:19:34: Ja, Helmholtz ist eine unheimlich große Forschungsgemeinschaft.

00:19:40: Helmholtz München ist auch führend in vielen Forschungsthemen wie zum Beispiel Diabetes,

00:19:45: aber auch jetzt KI.

00:19:47: Wir sind sehr groß im Komin, in der KI.

00:19:49: Und ich kam genau in der Zeit, wo die KI aufgebaut wurde.

00:19:54: Also ich bin Teil davon, was wirklich schön ist.

00:19:56: London war auch schön.

00:20:00: Und ich habe auch immer noch einen Fuß in London.

00:20:02: Es gibt einfach unterschiedliche Kollaborationsmöglichkeiten hier als dort.

00:20:07: Also hier arbeite ich sehr viel auch mit der Informatik, wieder mit der Theorie ein bisschen mehr zusammen.

00:20:12: In London habe ich sehr viel mehr mit den MR Physikern zusammengearbeitet.

00:20:16: Ich habe immer einen gleich anderen Schwerpunkt gefunden an jedem der Orte, wo ich schon mal gearbeitet habe.

00:20:21: Und für mich haben diese Verbindung von Helmholtz, reine Forschung und TU München,

00:20:28: also exzellente Lehre, damit auch exzellente Doktoranden, die dahin kommen und dann aber auch hier am Helmholtz bei mir setzen,

00:20:35: hat für mich einfach sehr viel Sinn ergeben.

00:20:37: Und hier ein neues Institut aufzubauen war einfach eine unheimliche Gelegenheit, die ich mir nicht entgehen lassen konnte.

00:20:44: Vielen Dank, Frau Prof. Schnabel, für das Gespräch, dass Sie es mir auch so leicht gemacht haben und mir das gut erklärt haben, Ihr Thema.

00:20:51: Ich wünsche Ihnen ganz, ganz viel Erfolg weiterhin in Ihrer Arbeit.

00:20:54: Ganz herzlichen Dank auch Ihnen.

00:20:56: Vielen Dank fürs Zuhören und bis zum nächsten Mal im Maschinenraum Gesundheit.

00:21:05: [Musik]

00:21:08: [Musik]