Abschlussarbeiten & Projekte
Gestalte die Zukunft mit deiner eigenen Forschung! Wir bieten wissenschaftliche Projekte (WissPro's) sowie Bachelor-, Master- und Doktorarbeiten mit enger Betreuung und spannenden Themen an der Schnittstelle von Innovation und Anwendung in folgenden Bereichen:
Medizinische Datenwissenschaft
KI-Ethik in der Medizin
Forschungsdatenmanagement
Medizinische Informationstechnologien
Innovation und Unternehmertum
Wenn du Interesse an einer Abschlussarbeit in einem dieser Bereiche hast, freuen wir uns über deine Bewerbung! Schicke uns, wenn möglich, deine persönlichen Erfahrungen und Interessen.
Unten findest du eine Liste der aktuell angebotenen Abschlussarbeiten und WissPro's. Wenn du nichts Passendes findest, melde dich gerne trotzdem.
Ausgeschriebene WissPro's
Übersicht von Blockchain Anwendungen im Gesundheitswesen
Neue Blockchain-Technologie und Verfahren ebnet den Weg für neue medizinische Anwendungen durch ein verteiltes Netzwerk für transparente und nachvollziehbare Transaktionen. Beispiele für potenzielle Anwendungsbereiche der Blockchain im Gesundheitswesen sind patientengesteuerte Gesundheitsakten, die Verwaltung von Patienten-Einwilligungen, beispielsweise für klinische Studien oder Forschungszwecke, verteilte Analysen und föderiertes Lernen oder die Nachverfolgung der Arzneimittel-Lieferkette. Die Studierenden sollten das Konzept der Blockchain untersuchen und vorstellen und entweder einen Überblick über verschiedene Blockchain-Anwendungen im Gesundheitswesen (allgemein) oder eine fokussiertere Perspektive auf eine ausgewählte Blockchain-Anwendung geben. [Fokus und Anwendung(en) werden von den Studierenden gewählt.]
Physiology-informed models in intensive care/cardiology/glucose monitoring
Physiology-informed models combine machine learning with (differential or statistical) equations that model human physiology or broader biological systems. By combining the best of two worlds, they promise more explainable predictions, reduced need for training data as well as more robust models against domain shifts. The aim of this WissPro is to get an idea how well-established physiology-informed models are in a specific medical domain, which are the most popular and successful methods. As well as an overview about the advanced and disadvantages of using physiology-informed models as opposed to plain machine learning models. Synonyms you can have a look at to get an idea on the concept of physiology-informed models: - Physiology informed models - Domain informed AI - Hybrid modelling - Mechanistic learning Depending on the students interest we can also shift the focus of the literature review from intensive care monitoring towards cardiology, pulmonology or glucose monitoring.
Bias detection and mitigation in AI models
How objective or how biased are AI-based predictors? Bias detection and mitigation in AI focuses on identifying and reducing unfairness in AI systems. Bias can emerge from data, algorithms, or model assumptions, leading to unequal treatment across groups. Detecting these biases and applying mitigation strategies ensures AI is not only accurate but also fair, transparent, and socially responsible. The aim of this project is to learn - how to quantify metric using different kinds of bias metrics (Thirunagalingam 2024), - which algorithms exist to mitigate biases and how they work (Hort et al., 2024), - and how metrics and algorithms are implemented in a LLM (Sallami, D., & Aïmeur, E., 2025)
Practical cases of DiGA certifications for software products and services
DiGAs (‘Digitale Gesundheitsanwendungen’) offer a recently introduced way to bring healthcare and medical innovations closer to the market. The focus of this project is to provide practical information on the certification process and also provide example cases.
Representation of a patient in precision medicine and digital twins
This project explores how patients are represented in precision medicine and digital twin approaches, and how different representation strategies affect their usefulness for specific clinical tasks. In precision oncology, for example, only a small subset of a patient’s genes may be relevant for selecting an effective cancer treatment, while other information may be less important for that decision. Choosing the right way to represent the patient—what data to include, how detailed it should be, and how it is organized—can strongly influence clinical insights and outcomes. The goal of this project is to analyze and compare different ways of representing patients, from simple, task-focused summaries to more complex, dynamic models. By doing so, it aims to identify strategies for building patient representations that are both relevant and efficient for a given task, while remaining interpretable and clinically meaningful.
Seeing beyond the Scan - Methods to represent Medical Images in Data Analysis
Medical images contain rich information but AI systems do not interpret images like humans do. Instead, they rely on image representations, i.e. numbers representing the image. This literature review project - explores different approaches to transform medical images such as CT and MRI into image representations, - identifies important aspects to evaluate representations and - analyzes how well individual representation learning approaches perform with regard to these aspects.
The ethical challenges of the influence of Big Tech in Health Care
The use of AI for health has been pushed by companies, especially Big Tech companies. This growing power of Big Tech is a growing concern, as it is accompanied by a lack of transparency, aggressive data collection and use, and risks such as inequitable returns to the public sector in public-private medical partnerships or new dependencies on technology firms for the provision of health goods and services. The aim of this WissPro is to compile a literature review that paints a landscape of Big Tech in Health Care and the ethical challenges it poses.
xAI in Medicine - Explaining the Recommendations of AI to Medical Professionals
Artificial intelligence is increasingly used to support diagnosis, prognosis, and treatment decisions but many AI models remain black boxes simply providing a recommendation. In medicine, trust, accountability, and patient safety demand that AI systems can explain why they make a certain recommendation. This literature review project - explores the current state of Explainable Artificial Intelligence (xAI) in medicine, - suggests how xAI should explain its recommendations to meet the needs of medical professionals and - analyzes how well current xAI approached meet these needs.
Ausgeschriebene Bachelorarbeiten
Multi-Objective Optimization for RAG-based LLM
In diesem Projekt wird untersucht, wie konversationelle Informationsretrieval-Systeme mehrere Ziele wie Effizienz, Korrektheit und Vollständigkeit intelligent ausbalancieren können. Ziel ist es, Mechanismen zu entwickeln, die entscheiden, ob ein System neue Informationen abrufen, den bisherigen Gesprächsverlauf wiederverwenden oder eine Nachricht als Beginn eines neuen Themas behandeln soll. Die Studierenden entwerfen und evaluieren Optimierungsstrategien, die darauf abzielen, den Nutzerinnen und Nutzern möglichst relevante und präzise Antworten bei minimaler Latenz und geringem Rechenaufwand bereitzustellen. Das Projekt verbindet Konzepte aus Information Retrieval, Dialogsystemen und Multi-Objective-Optimierung, um sowohl die Nutzererfahrung als auch die Ressourceneffizienz zu verbessern.
Fair, unbiased prediction of Alzheimer’s Disease using a multimodal dataset
Künstliche Intelligenz (KI) findet im Gesundheitswesen zunehmend Verbreitung. Insbesondere die medizinische Bildgebung profitiert von KI im Bereich der computergestützten Diagnose und Visualisierung medizinischer Bilder, da die Radiologie aufgrund ihres datengesteuerten Charakters besonders gut für den Einsatz von KI-Techniken geeignet ist. Mit der zunehmenden Anwendung von KI sind jedoch auch ihre Vorurteile sichtbar geworden, beispielsweise in Bezug auf Religion, Rasse und ethnische Zugehörigkeit (biologische und soziokulturelle Bedeutung) sowie Geschlecht und Gender. Daher wurden Methoden zur Erkennung und Minderung von Vorurteilen entwickelt, um Vorurteile in bestehenden KI-Modellen zu identifizieren und bei der Modellentwicklung zu verhindern. Am Beispiel geschlechtsspezifischer Unterschiede bei der Diagnose der Alzheimer-Krankheit konzentriert sich das aktuelle Projekt auf die Vorhersage der Alzheimer-Krankheit anhand von 3D-MRT-Bilddaten sowie 2D-klinischen und genetischen Daten. Darüber hinaus wird ein fairer und unvoreingenommener Prädiktor entwickelt, der Methoden zur Erkennung und Minderung von Verzerrungen nutzt.
Federated Breast Cancer Detection with Flower
Künstliche Intelligenz (KI)-Modelle können klinische Entscheidungen unterstützen, benötigen jedoch umfangreiche und repräsentative Patientendaten, um gut zu funktionieren. Allerdings können relevante Patientendaten, die von Gesundheitseinrichtungen wie Krankenhäusern gesammelt werden, aufgrund von Datenschutzrisiken nicht ohne Weiteres für Berechnungen weitergegeben werden. Ein Ansatz, um das Training von KI-Modellen auf verteilten medizinischen Daten zu ermöglichen, ist das föderierte Lernen, das ein datenschutzkonformes Training von KI-Modellen ermöglicht. Das Ziel dieses Projekts ist die Entwicklung eines föderierten Lernansatzes für die Brustkrebserkennung unter Verwendung des etablierten Breast Cancer Wisconsin-Datensatzes und des Flower-Frameworks. Der Datensatz wird zwischen zwei simulierten Krankenhaus-Clients aufgeteilt, um reale verteilte medizinische Daten nachzubilden. Die simulierten Clients sollen durch iterative föderierte Lernrunden gemeinsam ein globales Modell trainieren, ohne ihre lokalen Daten zu teilen. Verschiedene Modelle des maschinellen Lernens und Aggregationsstrategien werden getestet und verglichen, und die Ergebnisse werden von den Studierenden dokumentiert und präsentiert.
Medical data mining on Reddit
Patient:innen teilen eine enorme Menge gesundheitsbezogener Informationen online, die Ärzt:innen oder Forschende bisher kaum nutzen. Auf Reddit finden sich zahlreiche persönliche Berichte zu Symptomen, Therapieerfahrungen und dem alltäglichen Umgang mit Krankheiten, die auf bisher unerkannte Bedürfnisse hinweisen können, lange bevor sie in klinischen Studien berücksichtigt werden. In dieser Arbeit soll untersucht werden, wie solche Real-World-Insights verantwortungsvoll gewonnen und in medizinisch nutzbares Wissen überführt werden können. Die Studierende bzw. der Studierende entwickelt eine End-to-End-Pipeline zur Sammlung und Aufbereitung gesundheitsbezogener Beiträge und erarbeitet Methoden, um klinisch relevante Informationen wie Symptome, Medikamentenwirkungen oder Lebensqualitätsaspekte strukturiert zu erfassen. Eine Fallstudie, zum Beispiel zu Diabetes oder neuropathischen Schmerzen, zeigt die praktische Anwendbarkeit und vergleicht patientenberichtete Erfahrungen mit den in der Versorgung üblichen Erhebungen. Langfristiges Ziel ist es, patientenzentrierte Forschung und Studienplanung zu unterstützen, indem sichtbar wird, was Betroffenen wirklich wichtig ist.
Benchmarking of domain adaptation methods in medical AI
KI-Systeme in der Medizin verlieren häufig an Leistungsfähigkeit, wenn Modelle auf neue Kliniken, Scanner oder Patientengruppen übertragen werden. Domain Adaptation soll die Generalisierbarkeit verbessern, jedoch ist die Wahl der geeigneten Methode für einen konkreten klinischen Anwendungsfall oft unklar. Diese Masterarbeit konzentriert sich auf die Entwicklung einer robusten Benchmarking-Pipeline zur systematischen Bewertung von Domain-Adaptation-Verfahren in der medizinischen KI. Die Studentin oder der Student stellt geeignete Datensätze mit klaren Domain-Shifts zusammen, implementiert eine Auswahl aktueller Adaptationsstrategien und grundlegender Modellarchitekturen und definiert aussagekräftige Evaluationsmetriken wie Leistung, Robustheit und Fairness über Subpopulationen hinweg. Die Pipeline wird genutzt, um Stärken, Schwächen und praxisrelevante Einsatzbedingungen der Methoden aufzuzeigen. Ergebnis ist ein offenes, reproduzierbares Toolkit, das Forschenden und Klinikerinnen hilft, verlässliche Adaptationsmethoden für den klinischen Alltag auszuwählen.
From Graph Structure to Vector Space: GNN-Based Knowledge Graph Embeddings
Wissensgraphen ermöglichen die strukturierte Darstellung komplexer relationale Informationen. Durch die explizite Modellierung von Entitäten und ihren Beziehungen ermöglichen Wissensgraphen Schlussfolgerungen auf der Grundlage umfangreicher Darstellungen, die über isolierte Datenpunkte hinausgehen. Um Wissensgraphen jedoch effektiv in traditionellen nachgelagerten Machine-Learning-Aufgaben einsetzen zu können, müssen sie in Vektordarstellungen (Embeddings) umgewandelt werden, die sowohl strukturelle als auch semantische Eigenschaften bewahren. Graph Neural Networks (GNNs) bieten eine leistungsstarke und flexible Möglichkeit, solche Embeddings direkt aus graph-strukturierten Daten zu lernen, und übertreffen dabei traditionelle Embedding Methoden von Wissensgraphen wie graph2vec. Dieses Projekt untersucht, wie verschiedene GNN-Architekturen, Strategien zum Message Passing und Hyperparameter-Wahl die Qualität der Embeddings beeinflussen. Ziel ist es, zu verstehen, wie Embeddingmodelle an die Anforderungen eines bestimmten Wissensgraphen und einer bestimmten Aufgabe angepasst werden können und wie sich Designentscheidungen auf die Ergebnisse und Interpretierbarkeit auswirken.
Ausgeschriebene Masterarbeiten
From Graph Structure to Vector Space: GNN-Based Knowledge Graph Embeddings
Wissensgraphen ermöglichen die strukturierte Darstellung komplexer relationale Informationen. Durch die explizite Modellierung von Entitäten und ihren Beziehungen ermöglichen Wissensgraphen Schlussfolgerungen auf der Grundlage umfangreicher Darstellungen, die über isolierte Datenpunkte hinausgehen. Um Wissensgraphen jedoch effektiv in traditionellen nachgelagerten Machine-Learning-Aufgaben einsetzen zu können, müssen sie in Vektordarstellungen (Embeddings) umgewandelt werden, die sowohl strukturelle als auch semantische Eigenschaften bewahren. Graph Neural Networks (GNNs) bieten eine leistungsstarke und flexible Möglichkeit, solche Embeddings direkt aus graph-strukturierten Daten zu lernen, und übertreffen dabei traditionelle Embedding Methoden von Wissensgraphen wie graph2vec. Dieses Projekt untersucht, wie verschiedene GNN-Architekturen, Strategien zum Message Passing und Hyperparameter-Wahl die Qualität der Embeddings beeinflussen. Ziel ist es, zu verstehen, wie Embeddingmodelle an die Anforderungen eines bestimmten Wissensgraphen und einer bestimmten Aufgabe angepasst werden können und wie sich Designentscheidungen auf die Ergebnisse und Interpretierbarkeit auswirken.
Klingt das interessant?
Wir freuen uns auf deine Bewerbung! Schick einfach eine E-Mail mit deinem Lebenslauf und einer kurzen Beschreibung deiner relevanten Erfahrungen und Interessen an die Kontaktperson für das jeweilige Projekt.
Keine offiziell ausgeschriebene Abschlussarbeit?
Kein Problem! Wir arbeiten immer an spannenden Projekten und besprechen gerne individuelle Abschlussarbeiten, die diese Projekte unterstützen – melde dich einfach bei uns, wir finden bestimmt etwas Passendes.
Laufende Abschlussarbeiten & Projekte
Neben unseren offenen Themen für Abschlussarbeiten beschäftigen sich unsere Studierenden bereits mit einer Vielzahl spannender Forschungsfragen. Diese laufenden Projekte zeigen innovative Ansätze und die vielfältigen Interessen innerhalb unserer Gruppe.
Masterarbeiten
Beendete Abschlussarbeiten
Von Anfang an hat sich das BI-K für die Förderung der nächsten Generation von Forschern engagiert. Nachfolgend finden Sie bereits beendete Abschlussarbeiten.
Dissertationen
Masterarbeiten
[...] Medizinische Datenintegrationszentren (MeDICs) wie das MeDIC Köln werden derzeit eingerichtet, um Forschern den Datenzugriff und die Datenintegration (DAI) zu erleichtern und somit der Forschung medizinische Daten in ganz Deutschland zur Verfügung zu stellen. Diese MeDICs stehen jedoch noch vor technischen, rechtlichen, ethischen und organisatorischen Problemen. Ziel dieser Arbeit war es, die Definition konkreter DAI-Prozesse zu unterstützen, indem ein DAI-Workflow vorgeschlagen wurde, der als Grundlage für die Diskussion konkreter DAI-Projektentwürfe sowie für die Optimierung von DAI-Prozessen an Universitätskliniken dient [...]