Data Science
In the research area Data Science, we focus on the development and application of data-driven methods for solving biological, medical, and technical problems. In close cooperation with our partners from research and industry, we develop algorithms for preprocessing and analyzing data using statistical methods and machine learning, as well as visualizing and interpreting the results. For example, within the project LeiVMed Online we develop a platform for benchmarking and visualizing data of treatments of patients in hospitals and developing prediction models for the outcome of treatments.
In many of our projects, we see the need for customized data processing pipelines due to the heterogeneity and complexity of data structures in real world processes and systems. We use applied statistics as well as numerous machine learning approaches, including black box methods (deep neural nets, random forests, gradient boosted trees, etc.) and white box methods (symbolic regression by genetic programming). We build our knowledge discovery pipelines on a variety of different frameworks, especially python scikit-learn, tensorflow, pytorch, MATLAB, and HeuristicLab.
Selected Publications
| 2021 | Stefan Anlauf, Andreas Haghofer, Karl Dirnberger, Stephan M. Winkler: | Data-Based Prediction of Microbial Contamination in Herbs and Identification of Optimal Harvest Parameters | International Journal of Food Engineering (IJFE), DeGruyter | View Article |
| 2019 | Renate Haselgrübler, Peter Lanzerstorfer, Clemens Röhrl, Flora Stübl, Jonas Schurr, Bettina Schwarzinger, Clemens Schwarzinger, Mario Brameshuber, Stefan Wieser, Stephan M. Winkler, and Julian Weghuber: | Hypolipidemic effects of herbal extracts by reduction of adipocyte differentiation, intracellular neutral lipid content, lipolysis, fatty acid exchange and lipid droplet motility | Scientific Reports | View Article |
| 2018 | Stephan M. Winkler: | Evolutionary Computation and Symbolic Regression in Scientific Modeling | , Johannes Kepler University Linz, Computer Science, Habilitation Thesis | |
| 2016 | Daniela Borgmann, Sandra Mayr, Helene Polin, Susanne Schaller, Viktoria Dorfer, Christian Gabriel, Stephan Winkler, and Jaroslaw Jacak: | Single Molecule Florescence Microscopy and Machine Learning for Rhesus D Antigen Classification | Scientific Reports 6 | View Article |
Selected Projects
MIML
Die frühe und genaue Diagnose von diabetischen Fußkomplikationen, z.B. der diabetischen neuropathischen Osteoarthropathie (DNOAP), kann gezielt dazu beitragen, die Häufigkeit von infektionsbedingter Morbidität und schwerer Amputation von Gliedmaßen zu reduzieren. Konventionelle Radiographie, Computertomographie (CT), Szintigrafie, MRT, Ultraschall und Positronen-Emissions-Tomographie sind derzeit die wichtigsten Verfahren zur Bewertung und Diagnose von diabetesbedingten Fußkomplikationen. Jedoch ist keine dieser Modalitäten ausreichend, um genügend Informationen über die Pathologie der DNOAP zu liefern, weshalb idealerweise ein multimodaler Ansatz für die Diagnose verwendet werden sollte. Die Zusammenführung verschiedener Datensätze, deren (statistische) Auswertung, sowie die Extraktion von Alleinstellungsmerkmalen, die zur Differentialdiagnose beitragen können, gestaltet sich jedoch als äußert schwierig.
Die Vorarbeiten dieser (Vor-)Studie stellen die Ausgangsbasis für einen FWF-Antrag dar, z.B. in der Förderschiene „Klinische Forschung“. So wird z.B. von KLIF gefordert, dass „AntragstellerInnen geeignete, studienbezogene Vorarbeiten vorweisen müssen“. Im Zuge der TiMed-Aktivitäten sollen an bereits vorhandenen Mikro-CT- und Röntgenbild-Datensätzen (Projekt ArthroKnee, Innovatives Oberösterreich 2020) Image Processing und Machine Learning - Verfahren eingesetzt werden, um eine Datenanalyse-Plattform zu entwickeln, die während der Hauptstudie auf multi-modale Bilddaten des Charcot-Fußes erweitert werden kann. Hauptziel ist die Verbesserung der Detektion von fortschreitenden Frakturen im diabetischen Fuß auf Basis der Kombination von extrahierten Features aus verschiedenen Bildmodalitäten. Das generelle Hauptziel ist die Verbesserung der Vorhersage des Fortschreitens der Pathogenese, um z.B. das Frakturrisiko besser einschätzen zu können. Dazu soll außerdem ein detailliertes biomechanisches Modell auf Basis von multi-modalen Bilddaten erstellt werden, um eine tiefergehende Beschreibung der Ätiopathologie zu liefern.
Head
Dr. Sascha Senck
Researchers
David Jödicke BSc
Prof.(FH) DI Dr. Stephan Winkler
Duration
01.04.2018 – 31.12.2018
Research Areas
ImageAnalysis
DataScience
Research Institutions
Research Center Hagenberg
Research Center Wels
University of Applied Sciences
Klinikum Wels-Grieskirchen
Institute for Lightweight Design and Structural Biomechanics, TU Wien
Research Focus
Software technology and application