Oya Beyan (Univ. Prof. Dr.)

Ziel dieses Kurses ist die Einführung in die grundlegenden Konzepte der Programmierung in Python, die für die Auswertung von medizinischen und Forschungsdaten erforderlich sind. Die Teilnehmer werden in diesem interaktiven Seminar aus erster Hand lernen, wie sie ihren eigenen Code entwickeln und ausführen können. Diejenigen, die ihr neu erworbenes Wissen weiter ausbauen und üben möchten, können die optionalen Übungen am Ende des Seminars bearbeiten und/oder an der offenen Fragerunde in der folgenden Woche teilnehmen. In dieser optionalen Sitzung werden die Lösungen der Übungen besprochen und die Teilnehmer können zusätzliche Fragen zu den Hausaufgaben oder zur Programmierung im Allgemeinen stellen. Der Kurs wird in 3 Gruppen angeboten (2 x Deutsch, 1 x Englisch)

This comprehensive session on data stewardship in medical informatics provides an in-depth exploration of the fundamental principles, best practices, and practical examples in the field.

This is an introductory module to help students acquire a basic understanding of interoperability and semantics and unveil the concepts of FAIR Data that aim at improving Findability, Accessibility, Interoperability and Reuse of data. Due to the increasing volume and complexity of data, there is need for leveraging automation in acquiring, processing and managing data from different sources and a key aspect to this is interoperability. In the course we address a variety of subjects related to semantics including conceptual models and ontologies with applications to medical use cases. Alongside the theoretical part, a practical `hands-on¿ session on FHIR as a solution for interoperability challenges will follow. It will include an introduction to FHIR and it¿s importance for exchanging medical data and some examples of FHIR ¿Profiles¿.

In the old days, physicians used statistical methods (frequency, mean and standard deviation, distribution fitting) to deal with experiment data and the regression model to testify to the medical hypothesis. These days, physicians collect massive training data to train the machine learning model, looking forward to AI that can give more accurate and efficient results. But AI is not the panacea. This seminar will provide critical thinking for machine learning methods. It will illustrate when and why they are working or not working. The difficulty of talking about computation has led to a lot of misunderstandings. The basic idea is that AI is good at some things and very bad at others, and social problems arise from situations in which people misjudge how suitable a program is for performing the task. A dialectical view of AI is to make better use of AI and avoid the risk of improper use.

Das Kolloquium richtet sich in erster Linie an Master- und Promotionsstudenten, Forscher und wissenschaftliche Mitarbeiter des Instituts für Biomedizinische Informatik. Die betreuten Studenten anderer Kliniken oder Forschungseinrichtungen im Bereich der biomedizinischen Informatik und der medizinischen Datenwissenschaft können sich ebenfalls einschreiben. Die Studierenden werden betreut und präsentieren die Ergebnisse ihrer laufenden Forschung oder rezensieren einen Artikel aus einer begutachteten Fachzeitschrift.

Das Kolloquium richtet sich in erster Linie an Master- und Promotionsstudenten, Forscher und wissenschaftliche Mitarbeiter des Instituts für Biomedizinische Informatik. Die betreuten Studenten anderer Kliniken oder Forschungseinrichtungen im Bereich der biomedizinischen Informatik und der medizinischen Datenwissenschaft können sich ebenfalls einschreiben. Die Studierenden werden betreut und präsentieren die Ergebnisse ihrer laufenden Forschung oder rezensieren einen Artikel aus einer begutachteten Fachzeitschrift.

[Kurs wird nur in Englisch angeboten] Large Language Models (LLMs) and Knowledge Graphs are rapidly transforming clinical practice as powerful tools for medical decision support, documentation, and research. This course teaches medical students to understand and implement these technologies through hands-on coding with LLM endpoints and existing medical knowledge graphs. Students learn fundamental concepts of how LLMs process medical text and how knowledge graphs structure clinical information, then apply this knowledge by writing code to build Knowledge Graph-Retrieval Augmented Generation (KG-RAG) systems that combine both approaches. Students work with established medical knowledge bases like UMLS, SNOMED CT, and DrugBank, integrating them with LLM APIs to create robust clinical tools. Through coding exercises, participants build systems that leverage structured medical knowledge to improve LLM accuracy and reduce hallucinations in clinical contexts. Students evaluate their implementations for medical reliability, learning to identify limitations and bias in AI-generated clinical content. This practical approach prepares future physicians to critically assess, implement, and optimize AI tools in their clinical practice, making it essential training for modern evidence-based medicine.

This course aims to offering a new perspective for reading and interpreting the four papers of A.R. Feinstein on the `Scientific Methodology in Clinical Medicine¿ that appeared in 1964 and had a significant impact on clinical investigation, especially on the field of clinical epidemiology that Feinstein helped define. The aim of this Wahlblock is to offer the students the opportunity to revisit basics of the Scientific Methodology in Clinical Medicine as this was historically presented in four consecutive papers in 1964 concerning: (I.) Introduction, Principles, and Concepts, (II.) Classification of Human Disease by Clinical Behavior, (III.) The Evaluation of Therapeutic Response and (IV.) Acquisition of Clinical Data, and offering them the chance of situating them with the proliferation of machine learning, artificial intelligence technologies.

This lecture will introduce the principle of Deep Learning, as an important branch of machine learning methods. It covers the fundamentals of deep learning, including neural networks, backpropagation, activation functions, and optimization techniques. After covering the basics, we will dive into popular deep learning architectures such as convolutional neural networks (CNNs) and recurrent neural networks (RNNs). We will explore the architecture of these networks in depth, and learn how to implement them using popular deep learning frameworks such as TensorFlow and PyTorch. Throughout the lecture, we will also cover practical considerations for training deep learning models, such as overfitting and regularization techniques. We will also discuss techniques for evaluating the performance of a deep learning model and tuning its hyperparameters to improve its accuracy. Prior knowledge related to python basics and data science are welcome but not necessary. This lecture will act as a preliminary role for the course of medical imaging process.

Einführung in die grundlegenden Konzepte der Programmierung in Python, die für die Auswertung von medizinischen und Forschungsdaten erforderlich sind. Die Teilnehmer werden in diesem interaktiven Seminar aus erster Hand lernen, wie sie ihren eigenen Code entwickeln und ausführen können.

Vom Abakus bis zu ChatGPT hat sich unsere Fähigkeit, Daten zu erzeugen, aber auch die Art und Weise, wie wir sie analysieren, im letzten halben Jahrhundert erheblich verändert. Ziel dieses Kurses ist es, die Geschichte der ursprünglichen Datenerfassung und -nutzung zu erforschen, einige der wichtigsten Auswirkungen dieser Wissenschaft zu erörtern und Beispiele aus der Praxis zu geben, wie man das Wissen in der Informationsflut, die unsere Welt überschwemmt, finden kann. Die Teilnehmer sollten im Laufe des Seminars eine Kombination aus Vorlesungen und praktischen Übungen erwarten. Sowohl die Vorlesung sowie auch die Übungen werden einen Überblick über die Geschichte der für die Datenanalyse verwendeten Werkzeuge veritteln. Offene Diskussionen sind ebenfalls erwünscht, da in der Vorlesung wichtige, die Gesellschaft verändernde Themen in Bezug auf die damaligen Informationen und deren Verwendung behandelt werden.

[This course is offered in English] Generating knowledge from data using machine learning (ML) is becoming increasingly important in every conceivable scientific field. To provide an introduction to data science, this course will cover various ML methods, including supervised and unsupervised methods, as well as techniques for evaluating and visualising the results.With a focus on practical implementation, all approaches presented will be briefly introduced theoretically and then implemented using the programming language python.Prior knowledge of programming is not required. The first lecture will cover a python demo. To pass the course the students have to apply the introduced methods in an own data science projects and present their results in a 5-10 minute presentation (depending on the number of participants). The projects and presentations will not be graded but have to meet the requirements presented in the lecture.

Die Studierenden beschäftigen sich mit einem Projekt aus dem Themenbereich der medizinischen Datenanalyse. Im Rahmen eines Einführungsseminars werden grundlegende Kenntnisse in Python erworben. Im Anschluss erhalten die Studierenden eine Aufgabenstellung, die sie innerhalb von sechs Wochen implementieren sollen. Während dieser Zeit findet ein freiwilliges wöchentliches Seminar statt, indem Probleme besprochen werden. Zum Schluss sollen die Ergebnisse in einem Vortrag vorgestellt werden.

Dies ist ein interaktiver, erfahrungsbasierter Lernkurs, der den Studierenden helfen soll, grundlegende Kompetenzen zu erwerben und die Herausforderungen und Chancen zu bewältigen, mit denen Unternehmer bei der Gründung oder dem Wachstum eines MedTech-Startups konfrontiert sind. Die Studenten werden dabei unterstützt, Fallstudien zu erforschen und Inhalte und Strategien zu entwickeln, mit denen MedTech-Unternehmer vertraut sein müssen. Die Studierenden erhalten die nötige Unterstützung, um in Gruppen oder unabhängig voneinander praktische Erfahrungen mit den verschiedenen Aspekten der Gründung eines MedTech-Unternehmens zu sammeln und ihre ersten Ideen zu realisierbaren Geschäftsmöglichkeiten auszubauen.

[This course is only offered in English] The objective of this course is to provide the basics of exploratory data analysis techniques in Python, including data exploration, data visualization, and data quality. Throughout this course, you will gain hands-on experience with available tools and libraries that help you to conduct initial investigations on your data in order to discover patterns, identify anomalies, test hypotheses, and verify assumptions using summary statistics and graphical representations.

Technologische Fortschritte wie KI und Big Data werden das Gesundheitswesen positiv verändern. Bei diesen intelligenten Gesundheits- und Medizintechnologien kommen in der Regel bahnbrechende und disruptive Innovationen zum Einsatz. Ihre Einführung wird jedoch häufig durch mangelndes Bewusstsein und mangelnde Bereitschaft anderer Akteure in den jeweiligen Märkten und Branchen behindert. In diesem Kurs werden wir Beispiele spezifischer Ökosysteme untersuchen und mit Hilfe von Open-Innovation-Methoden und -Werkzeugen deren Grenzen aufzeigen. Der Kurs basiert auf den Ergebnissen und laufenden Forschungsarbeiten des Horizon Europe SHIFT-HUB-Projekts, das darauf abzielt, einen patientengesteuerten Ansatz für die Entwicklung und Einführung intelligenter Gesundheitslösungen zu entwickeln.

[Diese Lehrveranstaltung wird nur auf Englisch angeboten] The colloquium is aimed primarily at masters and doctoral students, researchers, and scientific personnel of the biomedical Informatics Institute. The co-supervised students from other clinics or research institutions in biomedical informatics and medical data science can also enroll. Students will be mentored and will present the outcomes of their ongoing research, or will review an article from a peer-reviewed journal.

Each week, we engage in discussions on recent research papers and relevant topics in the field of Research Data Management, covering best practices, emerging challenges, and innovative solutions. The selected readings aim to enhance our collective understanding and keep us informed about the latest developments in data stewardship, FAIR principles, and related areas.

Aim of this seminar is to bring the importance of transdisciplinary collaborative work to the focus of the students, analyse typical pitfalls and provide a toolbox to facilitate such work in realistic conditions The advances in medical research reflect the importance of integrating the knowledge and data from different medical domains, as well as the expertise of non-clinical research groups, e.g. biologists, bioinformaticians, neuroscientists etc. The complexity of the research topics requires that the knowledge of the individual groups is not isolated, but reaches out efficiently across the domain borders. In practice, there are multiple obstacles on the way of building those transdisciplinary connections. Different working cultures, limited time resources, inertia and even active resistance to change paths contribute to the difficulties. The involvement in any collaborative research, be it a leadership role or a junior team member, can become much more efficient, if we understand the architectures of collaborative teams, are aware of typical issues expected during the project, and have a readily available toolbox of solutions which can be applied to facilitate the work.

[Diese Lehrveranstaltung wird nur auf Englisch angeboten] Each week, we review and discuss a recent research paper on Large Language Models (LLMs), with a focus on practical applications such as Retrieval-Augmented Generation (RAG) and LLM evaluation. The selected papers are drawn from top-tier conferences, including NAACL, ICML, and NeurIPS, ensuring exposure to cutting-edge developments in the field.

In diesem Seminar lernen Medizinstudierende, wie künstliche Intelligenz zur Vorhersage von Diabetes eingesetzt werden kann. Anhand eines konkreten Beispieldatensatzes entwickeln sie ein einfaches KI-basiertes Klassifikationsmodell mit Python in einer interaktiven vorinstallierten Programmierumgebung. Es werden dabei Inhalte zur Grundthematik, dem Einlesen und Analysieren der Ausgangsdaten, der Klassifizierung sowie der Evaluierung der Ergebnisse vorgestellt und durch diverse Aufgaben vertieft. Besonderer Fokus wird dabei auf die Erklärbarkeit gesetzt, um Nachvollziehbarkeit der Klassifizierungen zu ermöglichen und Ergebnisse auch klinisch genauer betrachten zu können. Inhalte des Seminars: Einführung in die Problemstellung: Wie kann KI bei der Diabetes-Diagnose unterstützen? Datenexploration: Verständnis der Features und ihrer Bedeutung Aufbau eines KI-basierten Klassifikationsmodells Evaluierung der Modellleistung Einblick in Modellinterpretation: Welche Merkmale (Features) sind entscheidend? Studierende, die an beiden Sitzungen teilnehmen, erhalten auf Anfrage eine Teilnahmebescheinigung.

Im klinischen Alltag entstehen große Mengen an Daten, die wertvolle Erkenntnisse für die Forschung ermöglichen, insbesondere zur Verbesserung von Diagnosen und Therapien. Damit diese Daten für den Einsatz in Künstlicher Intelligenz (KI) nutzbar sind, müssen sie sorgfältig aufbereitet werden. In dieser Lehrveranstaltung erhalten die Teilnehmenden eine Einführung in die Themen Datenqualität und Datenvorverarbeitung für KI. Sie arbeiten mit einem synthetischen Datensatz, der echten klinischen Daten aus der Onkologie nachempfunden ist, und lernen die Herausforderungen der Datenaufbereitung aus erster Hand kennen. Zu Beginn des Kurses werden die Teilnehmenden mit den Grundlagen der Datenqualität und der Datenaufbereitung für KI-Modelle vertraut gemacht. Anschließend werden am Beispiel eines aktuellen onkologischen Forschungsprojektes typische Herausforderungen bei der Vorbereitung medizinischer Routinedaten für KI-basierte Auswertungen erläutert. Im praktischen Teil der Veranstaltung setzen die Teilnehmenden das Gelernte um, indem sie mit Python arbeiten und eigenständig einen Datensatz analysieren. Sie identifizieren Probleme in den Rohdaten, korrigieren fehlerhafte oder unvollständige Einträge und bereiten die Daten so auf, dass sie für eine KI-gestützte Analyse verwendet werden können. Der Kurs ist in drei Teile gegliedert. In einer zweistündigen Einführungssitzung, die am Institut stattfindet, werden theoretische Grundlagen vermittelt und die Aufgabenstellung erläutert. Danach haben die Teilnehmenden eine Woche Zeit, um in einer Hausaufgabe eigenständig die Datenqualität zu untersuchen und den Datensatz für die KI-Analyse vorzubereiten. In einer abschließenden dreistündigen Übungseinheit, die sowohl vor Ort als auch online besucht werden kann, werden die Ergebnisse gemeinsam besprochen und Herausforderungen diskutiert. Studierende, die an beiden Sitzungen teilnehmen, erhalten auf Anfrage eine Teilnahmebescheinigung.

Technologische Fortschritte wie KI und Big Data werden das Gesundheitswesen positiv verändern. Bei diesen intelligenten Gesundheits- und Medizintechnologien kommen in der Regel bahnbrechende und disruptive Innovationen zum Einsatz. Ihre Einführung wird jedoch häufig durch mangelndes Bewusstsein und mangelnde Bereitschaft anderer Akteure in den jeweiligen Märkten und Branchen behindert. In diesem Kurs werden wir Beispiele spezifischer Ökosysteme untersuchen und mit Hilfe von Open-Innovation-Methoden und -Werkzeugen deren Grenzen aufzeigen. Der Kurs basiert auf den Ergebnissen und laufenden Forschungsarbeiten des Horizon Europe SHIFT-HUB-Projekts, das darauf abzielt, einen patientengesteuerten Ansatz für die Entwicklung und Einführung intelligenter Gesundheitslösungen zu entwickeln.

This course provides an introduction to the most important concepts in medical image processing. The aim of the course is to impart practical basic knowledge required for the evaluation of medical image data.

Artificial intelligence is already fundamentally changing medicine, but how do the underlying methods work, and what opportunities and challenges do they present? In this series of seminars, each session will cover a new, practical topic, including the basics of some AI methods, ethical challenges and possible solutions. The lectures, depending on the speaker, could be in German or English, are thematically linked but self-contained

[Der Kurs wird nur in Englisch abgehalten] This course provides a structured introduction to deep learning with a focus on medical applications. It begins by clarifying key concepts in artificial intelligence, machine learning, and deep learning, emphasizing their relevance in modern medicine. Students will explore the basic structure of neural networks and understand how models are trained and evaluated. The course then introduces convolutional neural networks (CNNs)followed by an overview of transformers and foundational models used for analyzing clinical text, genomics, and multimodal data. Real-world case studies and clinical examples illustrate how deep learning is applied across radiology, pathology, dermatology, and beyond. The final sessions explore challenges in deploying AI in clinical settings, including issues of bias, explainability, and ethical use. Optional components may include hands-on demonstrations or guided review of influential research papers in the field.

The course aims to familiarise students with the basic concepts of the domain and to highlight the challenges posed by the explosion of data-driven applications using Artificial Intelligence (AI) in recent years. Topics to be covered include an introduction to data-driven AI and Machine Learning, artificial agents, privacy and consent, bias and discrimination. The course is entirely online, held in English, and assessed through presentations based on scientific publications selected by the students in collaboration with the tutor.

[This course is only offered in English] The pace and unpredictability of research often leave little room for thorough documentation and metadata annotation. Yet, effective Research Data Management (RDM) is essential to ensure the reliability, reproducibility, and long-term value of research outputs. Central to RDM are the FAIR data principles¿making data Findable, Accessible, Interoperable, and Reusable¿which should be embedded across all stages of the data lifecycle. In parallel, RDM is a cornerstone of Open Science, a movement that fosters transparency, collaboration, and equitable access to scientific knowledge. By integrating FAIR and Open Science practices into everyday research, researchers not only increase the visibility and impact of their work but also contribute to a more robust and inclusive scientific ecosystem.

Short (two sessions) introduction to the ethical issues of Medical AI applications. We identify the ethical implications of AI applications in Medicine, focus on data collection and use, the risks of artificial intelligence technologies, and bias and discrimination, and address the impact of automated decision-making in Medical AI Applications. The lectures are in English and are held online.

[This course is offered only in English] Struggling to stay on top of your digital files? This lecture and hands-on workshop will help you create a file naming and folder system that suits your needs and evolves with you. Using guiding questions and simple strategies, you¿ll learn to organise your files in a way that makes sense, improves access, and reduces clutter. Rather than offering a rigid method, we encourage flexible thinking and regular review so your system stays useful over time. Ideal for anyone looking to take control of their digital workspace.

Lecture introduces the principles and practice of Open Science and the FAIR (Findable, Accessible, Interoperable, Reusable) principles in a clear and accessible way for researchers across disciplines. It explores why transparency, collaboration, and responsible data sharing are becoming central to research, particularly in light of funder requirements under programmes such as Horizon Europe. Participants will gain an overview of key concepts, policy context, and practical steps to integrate Open Science and FAIR principles into their everyday research workflows.

This course is designed for life science researchers who want their data to stay understandable, usable, and trustworthy long after an experiment is finished. Instead of treating Research Data Management (RDM) as paperwork or compliance, the course approaches it as a practical part of doing good research. Working with examples from omics, imaging, microscopy, and molecular biology, participants explore how everyday decisions—how data are named, documented, analysed, and shared—shape reproducibility, reuse, and long-term value across the research data lifecycle.

This course is offered to medical students interested in WissPro 1 and 2, involving literature research. It includes an introductory lecture on literature search strategies and best practices, as well as presentations on the topics offered by different members of our institute. The work is organised according to a schedule with several checkpoints and concludes with on-site presentations by the participating students.

Der menschliche Körper sendet kontinuierlich Biosignale aus, die wertvolle Einblicke in physiologische Prozesse liefern. In der Medizin werden diese Signale sowohl zu Forschungszwecken genutzt als auch um Diagnose und Monitoring von Krankheiten und Patienten zu unterstützen. Diese Veranstaltung bietet eine praxisnahe Einführung in die computergestützte Biosignalanalyse. Nach einer kurzen theoretischen Einführung zu den Grundlagen der Signalverarbeitung, einschließlich Definition, Erfassung und Anwendungsmöglichkeiten, erfolgt eine praktische Einführung in die Datenanalyse. Anhand eines realistischen Beispiels aus dem Patientenmonitoring im Intensivmedizin-Setting werden essentielle Schritte vermittelt: Daten-Vorbereitung, Feature-Engineering und die Vorhersage des Signals mit modernen Machine Learning Methoden durchgeführt. Es wird von Teilnehmenden der Besuch der vorangegangenen Veranstaltung ¿Coding Basics¿ oder ein äquivalentes Vorwissen in der Programmierung in Python vorausgesetzt.

[Diese Lehrveranstaltung wird nur auf Englisch angeboten] Heart rate variability (HRV) is widely used in clinical settings as a non-invasive autonomic nervous system function marker. It helps assess cardiovascular health, stress levels, and overall well-being. Clinicians use HRV to monitor conditions like heart disease, hypertension, and diabetes, as well as to evaluate recovery in post-surgical and critically ill patients. HRV also plays a role in mental health, aiding in the diagnosis and management of anxiety, depression, or PTSD. Additionally, it is used in sports medicine and rehabilitation to track recovery and optimize training. Its broad applications make it a valuable tool in personalized medicine. The development of AI methods allows to make more complex predictions using multiple HRV parameters simultaneously. This complexity enabled successful decision support in the domains where HRV was not previously prominent for clinical use, such as epileptology. In this lecture block, we will discuss the technical aspects of HRV assessment, such as different sensors, data quality control or different HRV measures. We will review various types of clinical applications, but also the ¿citizen science¿ approach and sports coaching. For the practical part we take a dataset with precomputed R-to-R intervals and different labels (e.g. RR Interval Time Series Modeling: The PhysioNet/Computing in Cardiology Challenge 2002 v1.0.0 ). We will test different machine learning approaches to classify the data, e.g. to detect whether the data was recorded in a stressed or relaxed phase. This block lecture does not require any previous coding experience, we will use the graphical low-code platform KNIME. Students are required to bring their own laptop.