Beruflicher Werdegang, Kurzprofil
Dr. Bettina Katalin Budai ist Postdoktorandin am DIR UKHD und leitet die neu gegründete interdisziplinäre Forschungsgruppe, welche sich auf die Entwicklung von Deep-Learning-basierten Bildanalyse-Tools zur Unterstützung der automatisierten Beurteilung einer Vielzahl von Pathologien im Bereich der Körperbildgebung konzentriert. Sie hat einen MD-Abschluss und einen PhD-Abschluss in klinischer Wissenschaft mit Spezialisierung auf künstliche Intelligenz und Radiomics-Analyse in der abdominalen Bildgebung von der Semmelweis Universität in Ungarn. Im Jahr 2024 erhielt sie ein Stipendium im Rahmen des Medical Data Scientist Programs an der Medizinischen Fakultät der Universität Heidelberg.
Expertise
Die Hauptziele unserer Forschungsgruppe am DIR-UKHD sind die Entwicklung von Deep-Learning-basierten Bildanalyse-Tools für medizinische Anwendungen im Bereich der Körperbildgebung. Unser interdisziplinäres Team besteht aus Informatikern, erfahrenen Radiologen und Assistenzärzten der Radiologie. Die Forschungsprojekte im Rahmen des TLRCs konzentrieren sich auf die KI-basierte Analyse der Körperzusammensetzung, die KI-basierte Wirbelsäulenanalyse zur Beurteilung von Begleiterkrankungen sowie Deep Learning und Radiomics-Analysen von Lungenkrebs auf CT. Im Jahr 2025 wurde das UKHD ausgewählt, dem EUCAIM-Konsortium beizutreten, mit einem Projekt unter der Leitung von Dr. Bettina Katalin Budai und Prof. Dr. med. Hans-Ulrich Kauczor, der die multizentrische Validierung der KI-Tool der Forschungsgruppe zum Ziel hat, welche Deep Learning und Radiomics für die Beurteilung von fortgeschrittenem nicht-kleinzelligem Lungenkrebs auf CT-Scans kombiniert.
- Die Rolle der KI-basierten CT-Körperzusammensetzung bei COPD
- KI-basierte Wirbelsäulenanalyse zur Beurteilung von Osteoporose und Kompressionsfrakturen bei COPD-Patienten
- KI-basierte Analyse von fortgeschrittenem Lungenkrebs auf CT-Scans unter Verwendung von Deep Learning und Radiomics-Analyse
- COPD
- Lungenkrebs
PD Dr. med. Philipp Mayer | Oberarzt, Facharzt für Radiologie | Philipp.Mayer@med.uni-heidelberg.de |
Dr. med. Viktoria Palm | Funktionsoberärztin,Fachärztin für Radiologie | Viktoria.Palm@med.uni-heidelberg.de |
Dr. med. Tobias Nonnenmacher | Funktionsoberarzt | Tobias.Nonnenmacher@med.uni-heidelberg.de |
Dr. med. univ. Róbert Stollmayer | Assistenzarzt | Robert.Stollmayer@med.uni-heidelberg.de |
Ondrej Havlicek | Doctorant | Ondrej.Havlicek@med.uni-heidelberg.de |
Hanyi Zhang | Doctorant | Hanyi.Zhang@med.uni-heidelberg.de |
Lungenforschung - Projekte
1. Die Rolle der KI-basierten CT-Körperzusammensetzung bei COPD
Diese Studie untersucht den Einsatz einer KI-basierten Körperzusammensetzungsanalyse bei Brust-CT-Scans von COPD-Patienten. Ziel ist es, zu testen, ob die KI-gestützte CT-Körperzusammensetzungsanalyse (BCA) eine geeignete Alternative zur bioelektrischen Impedanzanalyse (BIA) als klinische Referenz für die Identifizierung von Patienten mit einem erhöhten Risiko für Sarkopenie darstellt. Darüber hinaus werden die KI-basierten BCA-Messungen für die Körperphänotypisierung, für die Prognosevorhersage und für ihren möglichen Zusammenhang mit Komorbiditäten wie Osteoporose und Gefäßverkalkung bei COPD-Patienten untersucht.
2. KI-basierte Wirbelsäulenanalyse zur Beurteilung von Osteoporose und Kompressionsfrakturen bei COPD-Patienten
Dieses Projekt zielt darauf ab, ein KI-basiertes Tool für die Wirbelsäule zu entwickeln, das robust gegenüber institutionellen Unterschieden in klinischen CT-Protokollen (z. B. unterschiedliche Rekonstruktionskerne, Schichtdicken, Kontrastmittelverwendung) und anatomischen Abweichungen ist. Ein besonderer Schwerpunkt liegt auf Wirbelsäulenanomalien, Artefakten, Implantaten und osteoporoseähnlichen Erkrankungen, also Störfaktoren, die in bisher veröffentlichten Modellen nicht speziell berücksichtigt wurden. Das Ziel ist die Entwicklung eines benutzerfreundlichen Analyse-Tools, das eine robuste Auswertung von Routine-CT-Scans ermöglicht und die Erkennung und Beurteilung von osteoporotischen Kompressionsfrakturen bei COPD-Patienten erleichtert.
3. KI-basierte Analyse von fortgeschrittenem Lungenkrebs auf CT-Scans unter Verwendung von Deep Learning und Radiomics-Analyse
Die derzeit verfügbaren KI-basierten Algorithmen beschränken sich auf die Beurteilung von Lungenknoten und sind nicht auf Patienten mit großen Tumormassen anwendbar, die um große Blutgefäße herum lokalisiert sind. Patienten mit NSCLC werden jedoch in der Regel in fortgeschritteneren Stadien diagnostiziert. Die genaue Erkennung und Segmentierung dieser Tumore im fortgeschrittenen Stadium könnte die automatisierte Extraktion von Radiomics-Merkmalen ermöglichen, die mit genetischen Mutationen korrelieren, und damit den Weg für radiomicsbasierte „virtuelle Biopsien” ebnen. Ziel dieser Studie ist die Entwicklung unseres KI-Tools zur automatischen Segmentierung und Beurteilung dieser Lungenkrebserkrankungen im fortgeschrittenen Stadium. Das Projekt untersucht die Verallgemeinerbarkeit anhand eines multizentrischen Datensatzes der EUCAIM.