Prof. Dr. Ulf Leser

Die Person forscht aktuell an der Entwicklung energieeffizienter und adaptiver Datenanalyse-Workflows sowie an der Anwendung von Large Language Models (LLMs) zur Unterstützung klinischer Entscheidungen in der Onkologie. Für Unternehmen und die öffentliche Hand bedeutet dies Lösungen zur Reduktion von Energieverbrauch und Rechenkosten bei der Verarbeitung großer Datenmengen sowie Werkzeuge zur automatisierten Auswertung komplexer Patientendaten für personalisierte Therapien. Dies ist vor allem für die Bioinformatik, die Pharma- und Medizintechnikindustrie sowie den Hochleistungsrechnungssektor relevant. Hervorgebracht wurden Methoden zur carbon-aware Execution von Workflows, zur semantischen Integration biomedizinischer Daten und zur Extraktion von Ähnlichkeitsmetriken aus unstrukturierten klinischen Dokumenten mittels KI.

🔒 Das System hat 1.825 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Bioinformatische Beschreibung von Ähnlichkeiten als Grundlage für verbesserte Empfehlungs-Algorithmen in der Präzisionsonkologie

  Quelle ↗

  Förderer: Bundesministerium für Gesundheit Zeitraum: 04/2023 - 01/2027 Projektleitung: Prof. Dr. Ulf Leser

• CellFinder - Informationsextraktion

  Quelle ↗
  409-02 · Softwaretechnik und Programmiersprachen

  Förderer: DFG Sachbeihilfe Zeitraum: 09/2010 - 12/2012 Projektleitung: Prof. Dr. Ulf Leser

• ColoNET: A Systems Biology Approach for Integrating Molecular Diagnostics and Targeted Therapy in Colorectal Cancer

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 03/2009 - 02/2012 Projektleitung: Prof. Dr. Ulf Leser

• Deep learning with word embeddings improves biomedical named entity recognition

  2017

  Bioinformatics · DOI

  MOTIVATION: Text mining has become an important tool for biomedical research. The most fundamental text-mining task is the recognition of biomedical named entities (NER), such as genes, chemicals and diseases. Current NER methods rely on pre-defined features which try to capture the specific surface properties of entity types, properties of the typical local context, background knowledge, and linguistic information. State-of-the-art tools are entity-specific, as dictionaries and empirically optimal feature sets differ between entity types, which makes their development costly. Furthermore, features are often optimized for a specific gold standard corpus, which makes extrapolation of quality measures difficult. RESULTS: We show that a completely generic method based on deep learning and statistical word embeddings [called long short-term memory network-conditional random field (LSTM-CRF)] outperforms state-of-the-art entity-specific NER tools, and often by a large margin. To this end, we compared the performance of LSTM-CRF on 33 data sets covering five different entity classes with that of best-of-class NER tools and an entity-agnostic CRF implementation. On average, F1-score of LSTM-CRF is 5% above that of the baselines, mostly due to a sharp increase in recall. AVAILABILITY AND IMPLEMENTATION: The source code for LSTM-CRF is available at https://github.com/glample/tagger and the links to the corpora are available at https://corposaurus.github.io/corpora/ . CONTACT: habibima@informatik.hu-berlin.de.

• Querying Distributed RDF Data Sources with SPARQL

  2008

  Lecture notes in computer science · DOI