Thesis Projects

PhD thesis topics in collaboration with the Department of Pathology:

• Personalized medicine - Large language models for enhanced therapy options and decision support based on genomic alterations:
  Personalized medicine, a rapidly evolving field, is on the brink of a major breakthrough. It aims to revolutionize medical treatment by tailoring it to individual characteristics, such as genetic biomarkers. The advent of modern sequencing technology has opened up a wealth of information in oncology. This project is at the forefront of this revolution, exploring the potential of large language models to enhance therapy decision support based on genomic alterations in cancer. By leveraging advanced AI technology, healthcare providers can gain access to crucial insights, enabling them to make more informed decisions about treatment options. This has the potential to significantly improve the effectiveness and personalization of patient care, marking a major leap forward in the field of personalized medicine.

• Explainable AI in the classification of tumor cells from histological images:
  Utilizing advanced image processing techniques and machine learning algorithms, healthcare professionals can accurately identify and classify tumor cells in histological images, providing valuable insights for diagnosis and treatment planning. This project aims to improve patient outcomes in oncology by improving the efficiency and accuracy of immunohistochemistry analysis.

Mögliche Themen für Bachelor-/Masterarbeiten oder Projekte:

• Reverse engineering einer Campus-Management Lösung:
  Wir suchen einen motivierten Studenten zum Reverse Engineering einer Datenbanksoftware. Aufgrund einer Insolvenz des Softwareherstellers läuft die bestehende Lösung aus. In diesem Projekt soll die Möglichkeit eine Fortführung/Migration der Datenbank/GUI in Eigenregie geprüft werden. Vertiefte Kenntnisse in Software Engineering sind von Vorteil. Das Projekt kann auch als HiWi-Job begleitend finanziert werden.

• Probabilistische Algorithmen für das Set Covering Problem:
  Das Mengenüberdeckungsproblem (Set Covering Problem) ist ein NP-vollständiges Problem. Dabei wird aus einem System von Teilmengen S eines Universums U eine möglichst kleine Teilmenge von S gesucht, die U vollständig abdeckt. Eine einfache Heuristik zur approximativen Lösung des Problems basiert auf einem Greedy-Ansatz. Diese approximativen Lösungen unterscheiden sich um einen Faktor von maximal ln|U| von der exakten (aber nicht effizient berechenbaren) Lösung. In diesem Projekt soll theoretisch und experimentell untersucht werden, ob und wie die Lösung der Greedy-Heuristik durch zufällige Änderungen der Algorithmen-Eingabe beeinflusst werden kann. Dabei soll zunächst eine Methode entwickelt werden, um zufällige kleine Teilmengensysteme zu erstellen und solche zu identifizieren, für die die Greedy-Heuristik stark von einer exakten Lösung abweicht. Solche worst-case-Eingaben sollen dann im Sinne einer "Smoothed Analysis" untersucht werden, d.h es soll ausgewertet werden, inwiefern bereits eine kleine Änderung der Eingabe zu einem deutlich besseren Ergebnis führt. Erkenntnisse hieraus sollen dann in die Entwicklung einer neuen probabilistischen Heuristik zur Lösung des Mengenüberdeckungsproblems einfließen.

Bei Interesse wenden Sie sich bitte an Prof. Dr. Hans A. Kestler. Geeignete eigene Themenvorschläge können ebenfalls berücksichtigt werden.