AI for Women's Health
Künstliche Intelligenz in der Frauengesundheit
AG Dr. Jacqueline Lammert
Künstliche Intelligenz in der Frauengesundheit
Historisch betrachtet waren Frauen in der Gesundheitsforschung unterrepräsentiert, was zu unzureichender Vorsorge und Behandlung geführt hat. Indem wir Frauen in den Mittelpunkt von KI-Forschung und -Entwicklung stellen, möchten wir diese Ungleichheiten überwinden und eine personalisierte Medizin für Frauen ermöglichen.
Unsere interdisziplinäre Arbeitsgruppe widmet sich der Frage, wie wir KI-Systeme (wie z.B. Large Language Models, LLMs) – im engen Austausch mit klinischen Expert:innen und Patientinnen – zu wertvollen Entscheidungshilfen für die Präzisionsmedizin weiterentwickeln können. Wir nutzen KI-gestützte Systeme, um den komplexen Informationsbedürfnissen von Forschenden, Kliniker:innen und Patientinnen zu begegnen.
Mitarbeiterinnen und Mitarbeiter
- Maximilian Tschochohei, PhD (Postdoc, stellvertretende Leitung)
- Sarah Berbuir, B.Sc. (Masterarbeit, M.Sc. Informatik an der Technischen Universität München)
- Dipl.-Psych. Stephanie Fendahl (wissenschaftliche Mitarbeiterin und Doktorandin der Medizin)
- Florence Heinkelein, B.Sc. (Doktorandin der Medizin)
- Leen Houri, M.Sc. (Doktorandin der Informatik)
- Dr. med. Heike Jansen (Postdoc)
- Julia Janssen, M.Sc. (Projektkoordinatorin und wissenschaftliche Mitarbeiterin) [in Mutterschutz]
- Leonid Kuligin, M.Sc. (Doktorand der Informatik)
- Gaspar Völker (Doktorand der Medizin)
Förderungen und Auszeichnungen
- Bayerische Bürgerdelegation zum Tag der Deutschen Einheit 2025 (2025)
- TUM Junior Fellow (2025-2028)
- Projektförderung "GO-TWIN (Gynecological Oncology – Targeting Women’s Individual Needs): Multimodale, Large Language Model-gestützte Integration und Analyse von Krankenhausdaten zur Entwicklung personalisierter Behandlungsansätze für Patientinnen mit Ovarialkarzinomen" im Themenbereich „Frauengesundheit und KI" der Bayerischen Förderrichtlinie für digitale, innovative Gesundheits- und Pflegeprojekte, Bayerisches Staatsministerium für Gesundheit, Pflege und Prävention (2025-2028)
- Hightech-Nachwuchspreis Bayern 2024 (2025)
- ASCO Journals Editorial Fellowship, JCO Clinical Cancer Informatics (2024-2025)
- Association for Molecular Pathology Europe Young Investigator Award (2024)
- DKTK Travel Grant (2024)
- Google's Gemma Academic Program Award (2024)
- TUM School of Medicine & Health Clinician Scientist Hauptprogramm (2024-2025)
- Lehrpreis „PJ-Mentorin 2022 für herausragendes Engagement in der Lehre der Fakultät für Medizin“ (2023)
- DKTK School of Oncology Fellowship (2021-2024)
- TEDxBasel 2019 3 Minute Pop-up Talks Top 3 Finalist (zweiter Platz) (2019)
- ESMO Merit Award (2019)
- DGHO Reisestipendium (2018)
- DGEM Reisestipendium (2018)
- DGEM-DGHO Promotionsstipendium (2018)
- UnternehmerTUM, Prototype your PhD - Winner "Best Pitch" (2018)
- DDG Reisestipendium (2018)
- TUM Graduate School Internationalisierungsförderung (2017)
Dr. med. Jacqueline Lammert, B.Sc.

Leitung
Affiliation 1: Clinician Scientist und Sprecherin für die Gynäkologische Präzisionsonkologie am Zentrum für Personalisierte Medizin, Klinik und Poliklinik für Frauenheilkunde, TUM Klinikum
Affiliation 2: Clinician Scientist und stellv. Leitung der BMFTR-Nachwuchsgruppe DE.xt am Lehrstuhl für Medizinische Informatik, Institut für KI und Informatik in der Medizin (AIIM), TUM Klinikum
Kontakt: Jacqueline.Lammert@tum.de(link sends e-mail)
Maximilian Tschochohei, PhD

Stellvertretende Leitung
Postdoc am Lehrstuhl für Medizinische Informatik, AIIM, TUM Klinikum,
hauptberuflich Head of AI Engineering
Kontakt: Maximilian.Tschochohei@tum.de
Forschungsprojekte
Domänenspezifisches LLM-System zur Entscheidungsunterstützung in Molekularen Tumorboards (MTB)
Problem: Die Präzisionsonkologie verfolgt das Ziel, personalisierte Behandlungsvorschläge auf Grundlage von (genomischen) Biomarkern zu treffen. Die Translation genomischer Daten in individualisierte Therapiepläne wird durch die Fragmentierung medizinischer Informationen in vielen unstrukturierten Datenbanken erschwert. Verzögerungen in der Diagnostik und klinischen Interpretation führen in einigen Fällen dazu, dass die gewonnenen Erkenntnisse nicht mehr rechtzeitig in die aktuelle Behandlungsplanung einfließen können, siehe Lancet Oncology Editorial von August 2024(link is external). Bisherige Studien(link is external) zeigten, dass allgemeine LLMs für präzisionsonkologische Therapieempfehlungen aufgrund fehlender Domänenspezifika nicht geeignet sind.
Unsere Lösung: Unser LLM-System MEREDITH (Medical Evidence Retrieval and Data Integration for Tailored Healthcare) nutzt Retrieval-Augmented Generation (RAG), um Therapieoptionen auf Basis von klinischen Studien, onkologischen Leitlinien, Verfügbarkeit von Therapeutika und Studiendatenbanken zu generieren. Dabei repliziert es die Vorgehensweise von Expert:innen in Molekularen Tumorboards (MTBs), molekulare Daten in einem breiten medizinischen Kontext zu interpretieren.
Status: MEREDITH kann Präzisionsonkolog:innen bei der Auswahl von molekular-zielgerichteten Therapeutika und in der Suche nach passenden, klinischen Studien unterstützen. Unsere Proof-of-Concept-Studie mit fiktiven Patient:innen zeigte eine hohe Übereinstimmung (94,7%) mit menschlichen MTB-Expert:innen.
Details: Publikation (JCO Precision Oncology)
Eine multizentrische Studie (Investigator-Initiated Trial) wird die Übertragbarkeit in den Routinebetrieb von echten Präzisionsonkologieprogrammen und gynäkologischen Tumorboards prüfen.
Digitaler Zwilling in der Gynäkologischen Präzisionsonkologie
Problem: Über 50% aller gynäkologischen Tumore sind selten (Inzidenz von <6 auf 100.000 Frauen). Die seltene und heterogene Natur dieser Erkrankungen führt zu einem Mangel an robusten klinischen Leitlinien, was die Versorgung der Betroffenen erheblich einschränkt. Die traditionelle Einteilung metastasierender Tumore nach ihrer Ursprungslokalisation führt dazu, dass Patientinnen mit seltenen Tumoren oft von neuen Therapieoptionen ausgeschlossen werden. Uterine Karzinosarkome werden in der S3-Leitlinie des Endometriumkarzinoms(link is external) geführt. Die Behandlungsmöglichkeiten für Betroffene sind begrenzt auf eine Erstlinientherapie mit Carboplatin/Paclitaxel; das mediane Überleben ist seit Jahrzehnten unverändert schlecht und beträgt unter zwei Jahre. Es besteht ein dringender Bedarf an weiteren, klinisch evaluierten Therapieansätzen.
Unsere Lösung: Mit unserer Arbeit wollen wir einen Paradigmenwechsel hin zu einer individuellen, biomarkerbasierten Behandlung anstoßen. Dies ermöglicht eine präzisere Stratifizierung von Patientinnen und bietet so die Grundlage für eine individualisierte Therapie – insbesondere in Fällen, in denen groß angelegte klinische Studien nicht realisierbar sind. Dazu haben wir ein Digital Twin System pilotiert: Die LLM-gestützte Datenextraktion, -strukturierung und -analyse von institutionellen Daten und Literaturdaten ermöglichte uns, eine Kohorte von über 400.000 Patientinnen auszuwerten und eine Vielzahl von biomarkerbasierten Therapieoptionen zu evaluieren.
Details: Publikation (npj digital medicine)
Status: Aufbauend auf unserer Proof-of-Concept-Studie soll das Verbundprojekt "GO-TWIN (Gynecological Oncology – Targeting Women’s Individual Needs): Multimodale, Large Language Model-gestützte Integration und Analyse von Krankenhausdaten zur Entwicklung personalisierter Behandlungsansätze für Patientinnen mit Ovarialkarzinomen" die Therapie und Lebensqualität von Patientinnen mit Eierstockkrebs verbessern. Das im Mai 2025 gestartete Vorhaben des TUM Klinikums, der Technischen Universität München und der Universität Regensburg wird unter der Leitung von Dr. Lammert mit 3 Millionen Euro vom Bayerischen Staatsministerium für Gesundheit, Pflege und Prävention für drei Jahre gefördert.