OntoSPM-LLM

Chirurgische Ausbildung und Praxis basieren traditionell auf Erfahrung, Lehrbüchern und Fallstudien. Aktuelle KI-gestützte Systeme weisen noch erhebliche Schwächen für die Anwendung im medizinischen Bereich auf. Fehlende Verlässlichkeit und Erklärbarkeit führen zu ungenauen oder falschen Schlussfolgerungen. KI-Modelle kombinieren kaum medizinische Ontologien. Daher besteht die Notwendigkeit für ein KI-System, das medizinisch abgesicherte Antworten generiert.

Das Projekt „OntoSPM-LLM“ entwickelt ein System, das Large Language Models (LLMs) und Retrieval Augmented Generation (RAG), Zugriff auf externe Wissensquellen, kombiniert, um eine semantisch fundierte Wissensbasis für die Chirurgie zu schaffen.

Langfristig könnte die Forschungauch für physikalische Assistenz im OP-Saal mittels Robotik genutzt werden. Durch die Nutzung von Ontologien wird sichergestellt, dass die KI-Antworten konsistent, erklärbar und evidenzbasiert sind. Das Projekt ist ein erster Schritt in diese Richtung und erarbeitet ein natürlichsprachliches Chatsystem für die Medizin. Dadurch wird es Chirurg:innen ermöglicht, medizinische Fragestellungen mit einer kompetenten KI zu diskutieren, Wissen zu vertiefen und, im Idealfall, zu besseren Entscheidungen zu kommen.

Folgende Forschungsfragen werden in dem Projekt adressiert:

Inwieweit lassen sich medizinische Ontologien über RAG nahtlos mit großen Sprachmodellen integrieren, sodass strukturierte ontologische Informationen für präzises Query Answering nutzbar werden? Wie können symbolische und datengetriebene Verfahren zu einer semantisch belastbaren Wissensrepräsentation kombiniert werden, die chirurgische Terminologie, Abläufe und Prozeduren korrekt interpretiert?

Aufbauend darauf stellt sich die Frage, wie eine wissensbasierte Dialogschnittstelle gestaltet werden kann, die sowohl allgemeine chirurgische Wissensvermittlung als auch fallbezogene Anfragen zu annotierten chirurgischen Fällen ermöglicht. 

Schließlich wird zu klären sein, wie ein derartiges System in Zusammenarbeit mit chirurgischen Expertinnen und Experten wissenschaftlich evaluiert werden kann. In welchem Maße übertrifft ein ontologiegestütztes LLM bestehende KI-basierte Lösungen hinsichtlich Fehlerraten, Antwortqualität und Nutzerzufriedenheit in Ausbildungs- und klinischen Szenarien?

Die wissenschaftliche Vorgehensweise basiert auf der Integration medizinischer Ontologien mit großen Sprachmodellen unter Verwendung von Retrieval-Augmented Generation (RAG). Dazu werden ontologische Modelle weiterentwickelt und für den maschinellen Zugriff formalisiert, sodass strukturierte Wissensbestände in den RAG-Pipeline eingebunden werden können. Die LLM-Komponente dient zur dialogischen Interaktion sowie zur semantischen Verarbeitung und Formulierung von Anfragen. Die Methodik erfordert eine kontinuierliche interdisziplinäre Forschung zwischen Informatik und chirurgischen Fachexpertinnen und -experten zur Kuratierung von Begriffssystemen, Abläufen und Fallbeispielen sowie zur Validierung der Wissensrepräsentation.

Im Projekt werden neue Methoden zur Integration von Ontologien in LLMs erforscht um neue Erkenntnisse zur Kombination symbolsicher und datengetriebener KI zu gewinnen. Diese werden in einen funktionsfähigen Prototypen einer wissensbasierten Dialogschnittstelle integriert, der als Demonstrator die praktische Umsetzung des RAG-basierten, ontologiegestützten Chatbots zeigt und die potenzielle Anwendung in chirurgischer Wissensvermittlung und Fallinteraktion illustriert. Es sollen auch Anwendungen in anderen Bereichen, insbesondere der industiellen Fertigung für Anschlußprojekte untersucht werden.