Research Center of Health Sciences and Technology - RCHST
Refine
Year of publication
Document Type
- Article (275)
- conference proceeding (presentation, abstract) (131)
- Part of a Book (126)
- conference proceeding (article) (75)
- conference talk (66)
- Working Paper (27)
- Preprint (19)
- Report (15)
- Book (11)
- Other (10)
Language
- German (443)
- English (337)
- Multiple languages (1)
- Polish (1)
Is part of the Bibliography
- no (782)
Keywords
- Künstliche Intelligenz (33)
- Deep Learning (22)
- Digitalisierung (22)
- Physiotherapie (17)
- Artificial Intelligence (15)
- Akzeptanz (13)
- Aphasie (13)
- Diagnose (13)
- Schlaganfall (12)
- Pflege (11)
Institute
- Research Center of Health Sciences and Technology - RCHST (782)
- Research Center for Artificial Intelligence - RCAI (455)
- Fakultät Informatik und Mathematik (357)
- Fakultät Sozial- und Gesundheitswissenschaften (342)
- Research Center of Biomedical Engineering - RCBE (325)
- Institut für Sozialforschung und Technikfolgenabschätzung (IST) (218)
- Fakultät Maschinenbau (166)
- Labor Empirische Sozialforschung (150)
- Labor für Technikfolgenabschätzung und Angewandte Ethik (LaTe) (150)
- Labor Regensburg Medical Image Computing (ReMIC) (123)
Begutachtungsstatus
- peer-reviewed (284)
- begutachtet (28)
Hintergrund: Mit dem Einsatz sozialer Roboter gehen ethische und kommunikative Herausforderungen einher, insbesondere, wenn Roboter mit (älteren) Menschen mit Sinneseinschränkungen und/oder kognitiven Einschränken interagieren.
Fragestellung: Das Projekt SoRoP erforscht mit drei Untersuchungsgruppen (ältere Menschen im stationären Setting, jüngere Menschen mit Autismus-Spektrum-Störung im teilstationären Setting, Vergleichsgruppe allgemeine Bevölkerung) explorativ die Mensch-Roboter-Interaktion anhand des sozialen Roboters „Navel“. Untersucht wer-den Unterschiede in den Bewertungen des Roboters in Bezug Kommunikationsfähig-keit, Reaktions- und Interaktionsfähigkeiten, dessen Einfluss auf die Stimmung und das Wohlbefinden, die empfundene Unheimlichkeit und die Nutzungsabsicht. Ein be-sonderer Fokus liegt auf Technikakzeptanz und deren Zusammenhang mit der Be-wertung.
Methodik: Die Feldstudie basiert auf einem Mixed-Methods-Forschungsdesign, be-stehend aus einer explorativen Feldbeobachtung von Interaktionen (März-April 2026), einem Gruppengespräch und einer nachfolgenden Dual-Mode-Umfrage. In diesem Arbeitspapier werden die Befragung (n=58) und Unterschiede zwischen den Untersuchungsgruppen ältere Menschen (n=17), Menschen mit ASS (n=15) und einer allgemeinen Vergleichsgruppe (n=26) statistisch ausgewertet.
Ergebnisse: Die Untersuchung zeigte insgesamt eine überwiegend positive Bewertung der Begegnung. Besonders positiv wurden die Interaktion, Responsivität und das Sprachverstehen des Roboters beurteilt, während Mimik und Gestik differenzierter bewertet wurden. Die Technikakzeptanz erwies sich als nur begrenzt relevant für die Bewertung des Roboters; wichtiger für die Nutzungsbereitschaft scheint der wahrge-nommene praktische Nutzen zu sein, der insgesamt eher niedrig eingeschätzt wurde. Zudem wurde Navel von den meisten Teilnehmenden nicht als unheimlich wahrge-nommen und zeigte positive kurzfristige Effekte auf Stimmung und Wohlbefinden.
Diskussion: Die Studie ergänzt das aktuelle Forschungsfeld der Mensch-Technik-In-teraktion und speziell sozialer Robotik und verbindet Perspektiven aus Gerontologie, Disability-Studies, Technikfolgenabschätzung und angewandter Ethik.
Schlussfolgerungen: Die Studie belegt einen positiven Einfluss auf Stimmung und Wohlbefinden bei einem kurzfristigen, begleiteten Einsatz des Roboters Navel im Sinne eines Unterhaltungsgeräts. In Bezug auf Effekte im Langzeiteinsatz besteht wei-terer Forschungsbedarf. Für das bisher nicht erforschte Einsatzfeld für Menschen mit ASS sowie die technisch interessierte Allgemeinbevölkerung inklusive Eltern mit Kin-dern zeigen die Befunde in mancher Hinsicht positivere Ergebnisse als für die ur-sprünglich anvisierte Zielgruppe in Pflegeheimen.
Hintergrund
Digitale Assistenzsysteme können Menschen mit Unterstützungsbedarf im Alltag begleiten, indem sie Informationen bereitstellen, Therapien unterstützen oder Kommunikation und soziale Teilhabe ermöglichen. Telepräsenzrobotik (TPR) umfasst physische, mobil im häuslichen Umfeld einsetzbare Systeme, die in der Versorgungspraxis bislang kaum etabliert sind. Ziel der Studie war es, Erwartungen, Erfahrungen und Akzeptanz von Schlaganfallpatient*innen, Angehörigen sowie Pflege- und Therapiepersonal gegenüber TPR zu untersuchen.
Methoden
Vor (t1) und nach (t2) einer 24-wöchigen Testphase mit 2 TPR-Geräten (Feldphase 2021–2023) wurden Patient*innen und Angehörige standardisiert befragt (t1: 48 bzw. 53; t2: 39 bzw. 50). An einer Querschnittbefragung nahmen 31 Fachpersonen teil. Die Auswertung erfolgte mittels deskriptiver und bivariater Statistik. Ergänzend wurden persönliche Gespräche mit Patient*innen und Angehörigen mittels strukturierender Inhaltsanalyse nach Mayring ausgewertet.
Ergebnisse
Die anfänglich hohen Erwartungen an TPR hinsichtlich Selbstständigkeit, Sicherheit, Kommunikation und Entlastung der Angehörigen im Alltag konnten häufig nicht erfüllt werden. Keines der Systeme wurde als überzeugender Alltagshelfer wahrgenommen. Autonome Mobilität und Sprachassistenz erwiesen sich als eingeschränkt hilfreich. Die einfache und flexible Tablet-Lösung wurde gegenüber TPR präferiert.
Diskussion
TPR kann grundsätzlich die ambulante Versorgung unterstützen, ist jedoch aktuell noch nicht ausreichend an die Bedürfnisse der Patient*innen und häuslichen Bedingungen angepasst. Technische Einschränkungen, die Abhängigkeit von Angehörigen und die höhere Akzeptanz einfacherer Lösungen zeigen den Weiterentwicklungsbedarf für eine breitere Implementierung assistiver Systeme.
Hintergrund: Mit dem Einsatz von Robotern gehen ethische und kommunika-tive Herausforderungen einher, insbesondere, wenn Roboter mit (älteren) Menschen mit Sinneseinschränkungen und/oder kognitiven Einschränken in-teragieren.
Forschungsfrage: Das Projekt „Soziale Robotik im Praxistest (SoRoP) – Eine ex-plorative Studie mit (älteren) Menschen mit Sinnes- und Kommunikationsein-schränkungen“ erforscht mit drei Untersuchungsgruppen (ältere Menschen im stationären Setting, jüngere Menschen mit Autismus-Spektrum-Störung im teilstationären Setting, Vergleichsgruppe allgemeine Bevölkerung) die Mensch-Roboter-Interaktion anhand des sozialen Roboters „Navel“ (navel ro-botics München). Untersucht werden Unterschiede in den Bewertungen des Roboters in Bezug auf Mimik, Gestik und Sprache abhängig von der Untersu-chungsgruppe sowie Technikakzeptanz aufseiten der Befragten. Weiterhin wird untersucht, inwieweit der Roboter als unheimlich empfunden wird (Stich-wort: „Uncanny Valley“).
Methode: Die Feldstudie basiert auf einem Mixed-Methods-Forschungsdesign, bestehend aus einer explorativen Feldbeobachtung von Interaktionen, einem Gruppengespräch und einer Dual-Mode-Umfrage. Besonderes Augenmerk wird auf (forschungs-)ethische Aspekte gelegt.
Ergebnis: Es werden erste Ergebnisse aus der Beobachtungsstudie präsentiert. Mit allen Untersuchungsgruppen fanden erfolgreiche Kommunikationen statt. Die Kommunikationsfähigkeiten des Roboters wurden als gut eingeschätzt und der Roboter nicht als unheimlich empfunden. Analysiert werden Unterschiede in den Bewertungen der wahrgenommenen Lustigkeit, Natürlichkeit sowie ver-balen und nonverbalen Kommunikation.
Diskussion: Diskutiert werden ethische und soziale Aspekte auch vor dem Hin-tergrund der Ergebnisse anderer Studien. Einschränkungen der Kommunika-tion bestehen im Verstehen menschlicher Aussagen seitens des Roboters. Eine Limitation der Studie liegt darin, dass ein Kurztest keine verlässlichen Aussa-gen zum Langzeiteinsatz gewährleisten kann.
Fazit: Bei den Zielgruppen besteht in hohem Maße eine grundsätzliche Offen-heit. Bei Betreuung durch Fachkräfte kann geschlussfolgert werden, dass ein Einsatz im Sozial- und Gesundheitsbereich Gespräche anregt und soziale Teil-habe fördert.
Summary. The use of external fixation devices for the treatment of diaphyseal fractures of the tibia has become the standard. However, most external fixation device (EFD) modifications have insufficient stiffness. Therefore, there is a need to develop an EFD design that could provide early limb loading with an optimal range of interfragmentary motion. A related challenge lies in determining the strength of bone regeneration during fracture healing, which cannot be objectively assessed in a clinical setting. However, these values can be calculated using the Finite Element Method (FEM).
Objective. The objective of our work was to study the biomechanical behavior of the proposed “External Fixation Device – Tibia” system at the stages of bone regeneration under the condition of its loading by body weight using the FEM.
Material and Methods. A computer simulation was carried out, at the initial stage of which a semi-full-scale prototype of the “External Fixation Device – Tibia” bone fragments fixation system was developed. Based on it, the next step was to create solid 3D models of the tibia and the EFD using the SolidWorks software package (Dassault, France). The EFD design used in the work consisted of 4 semi-rings (160 mm), 9 connecting beams (150 mm), two through pins (5 mm), 2 spongiosis screws (5 mm), 2 cortical screws (5 mm), and 6 clamps. All the components of the EFD were made of AISI320 stainless steel.
Results and Discussion. Simulation computer modeling of the fixation capabilities of the proposed EFD showed that its stiffness is sufficient to provide a controlled load on the damaged limb within 20-24% of body weight from the first days of formation of granulation cartilage regenerate. It should be noted that the supporting function of the fibula is restored within 5-6 weeks after its fusion and is approximately 17-30% of the body weight. Therefore, in general, a controlled load on the limb can reach 50% of the body weight after 6 weeks of treatment. Subsequently, when mature bone tissue is formed around the fracture (most often within 8-17 weeks), the load on the limb can reach 130% of the body weight, which ensures the patient’s movement without additional support.
Conclusions. The performed computer simulation modeling makes it possible to determine the behavior of the biomechanical environment of the proposed “External Fixation Device – Bone” system and allows to establish the amouth of limb loading in the process of developing a scientifically based rehabilitation program to create optimal conditions for fracture healing. The proposed design of the EFD can be used for the final treatment of diaphyseal fractures of the tibia and provides for the possibility of early loading on the “External Fixation Device – Bone” system.
This work provides experimental data for validating numerical analyses of airflow in the upper human respiratory tract while consolidating nearly physiological conditions. For this purpose, flow patterns in the nasopharynx of a patient-specific geometry are analyzed using the volumetric approach of tomographic Particle Image Velocimetry. Ultimately, material models for the rheological behavior of physiological mucus are developed to consider wall conditions.
In dieser Arbeit wurden experimentelle Daten zur Validierung numerischer Analysen der Strömungssituation in den oberen menschlichen Atemwegen unter nahezu physiologischen Bedingungen erhoben. Es wurden die Strömungsmuster im Nasopharynx einer patientenspezifischen Geometrie mittels tomographischer Particle Image Velocimetry analysiert. Die mathematischen Modelle der rheologischen Eigenschaften des respiratorischen Mukus bilden die Möglichkeit zur Darstellung physiologischer Randbedingungen.
Manual processing of lipoaspirate can enhance stem cell concentration, thereby improving the take rate, which still represents a major challenge in autologous fat transfer. However, since the preparation consists of many manual steps that are difficult to standardize, we investigated the influence of residual tumescent solution on the macroscopic and microscopic outcome of the mechanically processed lipoaspirate. Additionally, we investigated whether sedimentation followed by vacuum filtration of the aqueous phase could accelerate processing by replacing the initial centrifugation step. Samples with more than 5% remaining aqueous phase show no clearly defined oil phase, preventing any volume reduction. In contrast, all centrifuged samples produced a clear oil phase. The remaining tissue, as confirmed by both histology and viability assays, was superior to nanofat. Although sedimentation and filtration in the LipoCollector did not sufficiently separate enough aqueous phase from the lipoaspirate, tissue viability was significantly higher compared to our control container. Our findings indicate that centrifugation remains essential for effective aqueous phase separation and further mechanical processing, while the automatic filtration may enhance processing efficiency. These results indicate that further work is needed to simplify mechanical processing, as the outcome can be significantly influenced by parameters such as tumescent impurities.
We present the design and results of the MICCAI Federated Tumor Segmentation (FeTS) Challenge 2024, focusing on federated learning (FL) for glioma sub-region segmentation in multi-parametric MRI scans, and evaluating novel weight aggregation methods for increased robustness and efficiency. Participating methods from six teams are evaluated using a standardized FL setup and a multi-institutional dataset derived from the BraTS glioma benchmark—a dataset consisting of 1,251 training cases, 219 validation cases, and 570 hidden test cases, with segmentations of enhancing tumor (ET), tumor core (TC), and whole tumor (WT). Teams are ranked by a cumulative scoring system accounting for segmentation performance—measured by Dice Similarity Coefficient (DSC) and 95th percentile Hausdorff Distance (HD95)—and communication efficiency assessed through the convergence score. A PID-controller-based approach emerges as the top-performing method, achieving a mean DSC of 0.733, 0.761, and 0.751 for ET, TC, and WT, respectively, with corresponding HD95 values of 33.922mm, 33.623mm, and 32.309mm, while also being the most efficient with a convergence score of 0.764. These results contribute to ongoing advances in FL, building on top-performers from previous challenge iterations and surpassing them, highlighting PID controllers as powerful mechanisms for stabilizing and optimizing weight aggregation in FL. The challenge code is available at https://github.com/FeTS-AI/Challenge.
Aims
Systematic visualization of anatomical landmarks is critical to prevent "blind spots" during esophagogastroduodenoscopy (EGD), which are a primary cause of missed upper gastrointestinal cancers. Standardized documentation serves as a secondary but essential tool for quality assurance. We aimed to develop a deep learning approach for the automated classification of 28 anatomical categories, including a 22-segment mapping of the stomach based on the Japanese Systemic Stomach Screening (SSS) protocol. The primary goal was to provide a technical foundation for real-time monitoring of mucosal coverage to ensure examination completeness. Primary outcomes were macro F1-score and overall accuracy for this 28-class classification task.
Methods
We used a multi-center dataset of 9.012 endoscopic images from 1.553 patients, merging the public GastroHUN database (5.202 images; 385 patients) [1] and an internal dataset (3.810 images; 1.168 patients) from a European tertiary referral centre (Augsburg, Germany). All images were obtained during routine EGD using Olympus endoscopes and anonymized prior to analysis. Each image was labelled at image level into one of 28 anatomical classes: oropharynx, esophagus, esophagogastric junction, duodenal bulb, second part of the duodenum, papilla and 22 gastric segments based on the SSS classification using a consensus-based multi-annotator process (n=4). A trained and supervised specialist annotated additional data from Augsburg. To handle this complexity, we employed a Vision Transformer (ViT-L/14) foundation model pre-trained via DINO-v2. Instead of full-parameter fine-tuning, which risks overfitting on medical datasets, we implemented Low-Rank Adaptation (LoRA) [2]. By targeting only the Q- and V-projection layers in the final six transformer blocks, we reduced the trainable parameters to 312.000 (0.36% of the total model). Evaluation was performed using a strict patient-wise 5-fold cross-validation.
Results
The model achieved a mean macro F1-score of 0.88±0.01 and an overall accuracy of 0.88±0.01. Beyond robustly identifying major regions like the esophagus and duodenum, the model showed high precision in the more challenging differentiation of fine-grained SSS segments. The use of LoRA enabled stable training and strong generalization across the combined international and local datasets ([Abb. 1]).
Conclusions
Integrating transformer-based foundation models with LoRA-based fine-tuning allows for highly accurate UGIT anatomical mapping. An F1-score of 0.88 across 28 classes suggests that this approach is robust enough for automated documentation and real-time quality monitoring. Future work will focus on expanding the multi-center data volume and implementing expert consensus-labeling across all subsets to fürther refine model reliability, alongside developing a real-time visualization tool that provides an intuitive overview of the explored segments. To our knowledge, this is among the first studies to leverage a public endoscopy dataset together with institutional data for upper GI anatomical site classification.
Die zuverlässige endoskopische Einschätzung der Infiltrationstiefe bei Neoplasien des Barrett-Ösophagus (BO) ist entscheidend für die Therapieentscheidung zwischen organerhaltender endoskopischer Resektion und chirurgischer Resektion. Ziel dieser Studie ist die Entwicklung eines KIVision- Modells, das endoskopisch kurativ resezierbare Läsionen (LGD; HGD; T1a m1 –T1b sm1, L0, V0 und G1-2; EREAC) von nicht kurativ endoskopisch resezierbaren Läsionen (≥ T1b sm2 und/oder L1, V1, G3; NEREAC) anhand endoskopischer Bildgebung unterscheidet. In einer Pilotstudie mit 116 Patient:innen wurde bei der Unterscheidung von T1a vs. T1b mit 230 Bildern ein F1-Score, eine Sensitivität und Spezifität von 74%, 77% und 64% erreicht. [1]
Material und Methodik Es handelt sich um eine ambidirektionale multizentrische Studie mit insgesamt n=578 Patient:innen und n=651 Läsionen im Zeitraum Januar 2014 bis Juni 2025. Eingeschlossen wurden Patient:innen mit gesicherter BO-assoziierter Neoplasie anhand des histologischen Goldstandards durch a) endoskopische Submukosadissektion (ESD) oder b) chirurgische Resektion. Insgesamt wurden 526 Läsionen im Arm EREAC und 125 Läsionen der Gruppe im Arm NEREAC akquiriert. Es werden Bild- und Videodaten aus Olympus und Fuji-Endoskopen verwendet. Aus der Videodokumentation wurden Frames extrahiert und anhand eines vordefinierten Schemas annotiert (u.a. Lasionssichtbarkeit, virtuelle (NBI, TXI) und farbbasierte Chromoendoskopie, Zoommodus). Es erfolgte eine mehrstufige Annotation durch einen medizinischen Doktoranden (J.B.), mit 1:1 Supervision durch einen endoskopisch tätigen Facharzt im Bereich Gastroenterologie (D.R.), sowie durch einen Barrett-Experten (A.E). Aufgrund einer Klassenimbalance zugunsten der EREAC-Gruppe erfolgt zunachst eine Zwischenanalyse aus 185 Patient:innen mit 215 Läsionen mit a 500 Frames. Mittels ConvNeXt Tiny Architektur wurde eine 5-fache Cross-Validierung mit Split auf Patientenebene durchgeführt. Primare Leistungsmetriken sind F1-Score, Sensitivität und Spezifität.
Ergebnisse Im aktuellen Test erreichte das KI-Modell für die Klassifikation (EREAC vs. NEREAC) einen mittleren F1-Score von 78.3% (resektabel: 79.8%, nicht 2 resektabel: 76.8%). Die mittlere Sensitivität und Spezifität lag bei je 78.3%. Die klassenspezifische Sensitivität und Spezifität zur Erkennung von NEREAC lag bei 72.0% und 84.6%.
Zusammenfassung Ein KI-Assistenzmodell kann die endoskopische Einschatzung der Resektabilität von Barrett-Neoplasien unterstutzen, indem es die Infiltrationstiefe aus endoskopischer Bildgebung pradiziert. Klinisch besonders relevant ist die hohe Spezifität in der Erkennung nicht-resektabler Läsionen.
Nächste Schritte sind das weitere Training mit höherer Datenmenge, die adressierte Aufarbeitung der Klassenimbalance, externe Validierung sowie die Echtzeit-Implementation.