Die London Geometry and Machine Learning Summer School (LOGML), an der Susu teilnahm, widmete sich der Geometrie und dem maschinellen Lernen, und brachte eine lebendige Gemeinschaft von Mathematiker:innen und Informatiker:innen zusammen. Das Programm bestand aus Vorlesungen am Vormittag und Teamprojekten am Nachmittag, so dass sich die Teilnehmer:innen intensiv mit der Thematik befassen konnten. Susu arbeitete an einem Projekt, das sich auf kausale Schlussfolgerungen mit graphischen neuronalen Netzen konzentrierte, ein komplexes Thema, das für die Entschlüsselung komplizierter Datenbeziehungen von entscheidender Bedeutung ist. Im Rückblick auf ihre Erfahrung hob Susu den Wert der Networking-Möglichkeiten hervor, die zu künftigen Kooperationen führen könnten.

© DAAD/Wagner

Susu Hu (links) präsentiert ihre Demo

Danush nahm dagegen an der Eastern European Machine Learning Summer School (EEML) in Serbien teil, einer Initiative unter der Regie von Google DeepMind. Ausgewählt aus fast 900 Bewerber:innen, präsentierte Danush sein Paper „Synthesizing Surgical Datasets with Diffusion Models“ auf der Postersitzung. Das sechstägige Programm bot eine umfassende Mischung aus Vorträgen von Expert:innen aus dem akademischen Bereich und der Industrie, die Themen von den Grundlagen des maschinellen Lernens bis hin zu den neuesten Fortschritten bei Bild-Sprache-Modellen behandelten. Danushs Poster regte nicht nur sinnvolle Diskussionen an, sondern brachte ihm auch den Best Poster Award für KI-Anwendungen ein – eine bedeutende Anerkennung seiner Arbeit. Danush unterstreicht: „Die Postersitzungen boten eine wertvolle Gelegenheit, sich an Forschungsdiskussionen mit Gleichgesinnten zu beteiligen, während die Mentoring-Sitzungen mit führenden Forscher:innen auf dem Gebiet meine Doktorarbeit entscheidend vorangebracht haben.“

©

Danush K. Venkatesh (zweite Person rechts) erhält die bestes Poster Auszeichnung

Ihre Gruppe ist führend auf dem Gebiet der translationalen chirurgischen Onkologie und bringt Expert:innen aus den Bereichen künstliche Intelligenz, Informatik, Ingenieurwesen und Medizin zusammen. Ihre Forschung reicht von der Erstellung und Nutzung realer und synthetischer Datensätze in der chirurgischen Datenwissenschaft bis hin zur Entwicklung von auf maschinellem Lernen basierenden Führungssystemen für die Soft-Tissue-Navigation und intraoperative Visualisierung. Darüber hinaus erforscht die Gruppe die Mensch-Maschine-Interaktion und befasst sich mit der Analyse chirurgischer Arbeitsabläufe, dem Training und der Roboterchirurgie. Durch die Untersuchung des gesamten chirurgischen Behandlungspfads – von der präoperativen Planung bis zur postoperativen Genesung – will die Gruppe diese Technologien in den Operationssaal integrieren, um die personalisierte Patientenversorgung und die chirurgischen Ergebnisse zu verbessern. Dieser Ansatz steht im Einklang mit ihrem Ziel, die chirurgische Therapie durch personalisierte digitale Darstellungen und Dateneinsatz zu optimieren, um die Eignung, die Erfolgsraten und die Vorhersage von Komplikationen zu verbessern.