gms | German Medical Science

Einleitung: Hochschullehre technischer Disziplinen wird klassischerweise in strukturierten Vorlesungs-, Übungs- und Praktikumseinheiten organisiert [1]. Theoretischer und praktischer Kontakt mit relevanten Methoden und Technologien ist hierbei gegeben. Studierende werden jedoch oftmals nicht mit Fragestellungen konfrontiert, welche hochaktuell, praxisrelevant und studiengangsspezifischer Natur sind. Das vom BMBF geförderte Projekt DiffPro-ML hat die Absicht die Lehre maschinellen Lernens in einem Modellvorhaben mit externen Partnern stärker projektorientiert und studiengangsdifferenzierter zu organisieren. Hintergrund ist die Heterogenität der an der Fachhochschule Dortmund angebotenen Informatikstudiengänge Medizinische Informatik, Wirtschaftsinformatik und Praktische/Technische Informatik. Ziel ist der Wissenstransfer an Studierende und über diese in vorrangig regionale Unternehmen. Kooperationspartner aus Wirtschaft, Industrie, Forschung und Kliniken stellen als Projektpaten Aufgaben kleinen Umfangs, sogenannte Miniprojekte, zu aktuellen, mit maschinellem Lernen adressierbaren Problemen. Projektpaten erhalten Einblick in Lösungen, Studierende im Rahmen der Zusammenarbeit Praxiswissen.

Methoden: Einbindung von Projektarbeiten in die Lehre ist eine etablierte Form projektbasierten Lernens [1], [2] und umfasst empfohlene Aspekte der zehn Europäischen Prinzipien zur Verbesserung des Lernens und Lehrens in der Hochschulbildung [3]. Dies geschieht am Fachbereich Informatik der Fachhochschule Dortmund derzeit im Rahmen des Studiengangsübergreifend angebotenen und zuvor klassisch gelehrten Moduls Maschinelles Lernen. Kleingruppen von 2-3 Studierenden bearbeiten über das Semester hinweg Miniprojekte von etwa 30 Stunden Arbeitsaufwand, parallel zu Vorlesungen und Praktika. Miniprojekte werden von Projektpaten gestellt, die thematischen Ausrichtungen sind vielfältig. Bisher durchgeführte Miniprojekte [4] aus der Medizin sind beispielsweise im Bereich des Deep Learning Objekterkennung zur sensorischen Substitution für visuell Beeinträchtigte, Knochenalter-Regression in pädiatrischen Röntgenaufnahmen und Anomalie-Klassifikation in muskuloskeletalen Röntgenaufnahmen. Neben modernen Ansätzen werden ebenso klassische maschinelle Lernverfahren adressiert, wie etwa Bayesische Netze für die Früherkennung hypertensiver Entgleisungen in der Intensivmedizin und Text Mining für die Relevanz- und Sentimentanalyse von Kundenfeedback. Hierbei bestehen Schnittpunkte zu Forschungsaktivitäten des Fachbereichs wie zum Deep Learning [5], [6], [7] und Text Mining [7], [8], was den Austausch mit Forschenden ermöglicht. Über die Laufzeit der Miniprojekte und potenziell folgenden Projekt- und Abschlussarbeiten werden Studierende von Mitarbeitern fachlich betreut. Für Deep Learning steht adäquate Rechenleistung in Form einer NVIDIA DGX-1 [9] zur Verfügung.

Ergebnisse: Bisherige Resultate von DiffPro-ML sind neben einem zweistufigen Wissenstransfer spezifische Lehrunterlagen zu zeitgemäßen Technologien und einfache Software-Frameworks zur Anwendung dieser. Es erfolgten Beiträge zu freien und open source Projekten [10], [11]. Workshops förderten Wissenstransfer und Networking. Über 40 Miniprojekte mit über 20 Projektpaten wurden akquiriert. In der ersten Projektrunde im Sommersemester 2018 wählten 36 Studierende 17 Miniprojekte. Alle wurden erfolgreich abgeschlossen, teilweise erfolgte die Fortführung als Projekt- oder Abschlussarbeit. Studierende erhalten fachliche Unterstützung durch Mitarbeiter. Studierende und Kooperationspartner schätzen die neue Ausrichtung der Lehre. Herausforderungen waren, dass oftmals keine Datensätze gestellt wurden und auf frei verfügbare Surrogate teils mangelnder Qualität zurückgegriffen werden musste. Dies erschwerte die Arbeit der Studierenden. Parallele Lehrveranstaltungen erhöhten den zeitlichen Druck.

Diskussion: Die zweite Projektrunde begann im Sommersemester 2019, für welche eine erneute Evaluation durch einen Fragebogen stattfindet. Projektpaten sind vielfach an weiteren Miniprojekten interessiert und werben in ihrem Umfeld für das Modellvorhaben. Miniprojekte werden von Studierenden als Herausforderungen wahrgenommen. Das Ausbleiben von Abbrüchen sowie die Aufnahme angeschlossener Projekt- und Abschlussarbeiten deuten auf eine hohe Motivation der Studierenden hin.

Die Autoren geben an, dass kein Interessenkonflikt besteht.

Die Autoren geben an, dass kein Ethikvotum erforderlich ist.