Klassische Methoden neu gedacht: Unsere Teilnahme an der Bavarian Conference on AI in Medicine 2025
Künstliche Intelligenz trifft Medizin: Ein bayerisches Forum für Innovation und Zusammenarbeit
Am 27. und 28. Oktober 2025 versammelten sich Forschende, Ärztinnen und Ärzte sowie Industrievertreterinnen und -vertreter in der Bayerischen Akademie der Wissenschaften (BAdW) zur Bavarian Conference on AI in Medicine.
Die Veranstaltung, organisiert im Rahmen des wachsenden BAIOSPHERE-Ökosystems, bot eine Plattform für den Austausch zwischen KI-Experten und medizinischen Forschenden aus ganz Bayern und weit darüber hinaus.
Mit international renommierten Keynotes von unter anderem Eric Topol, Fabian Theis, Mihaela van der Schaar und Islem Rekik spannte die Konferenz einen Bogen von Agentic AI und Graph Intelligence bis hin zu Large Language Models in der Medizin.
Im Zentrum stand dabei die Frage, wie sich die neuesten Entwicklungen der KI verantwortungsvoll und praxisnah in die klinische Anwendung überführen lassen; ein Thema, das sich auch in den Diskussionsrunden zur Zusammenarbeit zwischen Wissenschaft und Industrie widerspiegelte.
Unser Beitrag: Trainingsfreie Stil-Augmentation für robuste KI in der Histopathologie
In diesem inspirierenden Umfeld präsentierte Sebastian Doerrich, Doktorand am xAILab Bamberg, sein Poster „Training-Free Style Augmentation with Histogram Matching for Domain Generalization in Histopathology“.
Die Arbeit knüpft an die zentrale Herausforderung vieler KI-Anwendungen in der Medizin an: die Generalisierbarkeit über verschiedene Datendomänen hinweg.
Insbesondere in der digitalen Pathologie führen Unterschiede in Färbeprotokollen und Aufnahmebedingungen häufig zu sogenannten *Domain Shifts*, die die Leistung von Deep-Learning-Modellen erheblich beeinträchtigen. Aufbauend auf unseren Ergebnissen der MICCAI 2024-Publikation zu generativen Stil-Augmentierungen mittels selbstüberwachter Vision Transformer geht diese Arbeit einen anderen Weg und gleichzeitig einen Schritt zurück zu den Wurzeln der Bildverarbeitung.
Anstelle komplexer generativer Modelle nutzt der vorgestellte Ansatz traditionelles Histogram Matching, um die Farbverteilung zwischen Bildern anzupassen. Diese Methode erlaubt es, realistische Stilvariationen ohne zusätzliches Training oder externe Daten zu erzeugen. Sie ist nicht nur effizient und echtzeitfähig, sondern bewahrt auch die anatomische Integrität der Gewebeproben.
Darüber hinaus kann sie sowohl während des Trainings als auch zur Laufzeit eingesetzt werden, um Eingabedaten an bekannte Verteilungen anzupassen und so die Robustheit der Modelle zu erhöhen.
Das Projekt zeigt, dass bewährte Verfahren der klassischen Bildverarbeitung auch im Zeitalter großer KI-Modelle neue Relevanz gewinnen können; insbesondere dort, wo Interpretierbarkeit, Zuverlässigkeit und klinische Umsetzbarkeit entscheidend sind.
Das zugehörige Abstract finden Sie hier(63.7 KB).
Eindrücke und Erkenntnisse aus München
Die Konferenz machte deutlich: Die Zukunft der medizinischen KI liegt in Verantwortung und Übersetzbarkeit.
Von Mihaela van der Schaars Vortrag über Agentic AI bis hin zu Eric Topols Vision einer KI-getriebenen Gesundheitsvorsorge stand der Mensch im Mittelpunkt der technologischen Entwicklungen.
Die Postersessions zeigten eindrucksvoll die Vielfalt der bayerischen Forschungslandschaft: von generativen Modellen zur Krankheitsentdeckung über KI-basierte Telemedizin bis hin zu Anwendungen großer Sprachmodelle in der klinischen Entscheidungsunterstützung.
Bei Kaffee, Kuchen und Abendempfängen entstanden wertvolle Gespräche, neue Kooperationen und ein starkes Gemeinschaftsgefühl, das den Geist der BAIOSPHERE verkörperte.
