Felix Achilles – Software Developer und Medizinweltumkrempler

- Host (Erium Podcast)Moderator
- Felix AchillesHead of Software Development bei medability, PhD-Kandidat
Überblick
In dieser Folge des Erium Podcasts spricht der Host mit Felix Achilles, Head of Software Development beim Medtech-Startup medability. Das Gespräch dreht sich um Felix' ungewöhnlichen Karriereweg von der Elektro- und Informationstechnik über ein Philips-Praktikum hin zur Medical Informatics, um den Einsatz von Machine Learning in der Medizin und um konkrete Empfehlungen für Studienabsolventen und Young Professionals.
Über den Gast
Felix Achilles hat einen Master of Science in Elektro- und Informationstechnik, mit einem Schwerpunkt auf Medical Informatics in seiner Masterarbeit (KIT – Karlsruhe Institute of Technology). Er sammelte Praxiserfahrung als Praktikant bei Philips Health Care und als Research Assistant an der TU und LMU München. Derzeit ist er Head of Software Development beim Medtech-Startup medability, das chirurgische Simulatoren für die Wirbelsäule entwickelt, und finalisiert nebenher seinen PhD.
Zusammenfassung
Alltag bei medability: Chirurgische Simulatoren und interdisziplinäre Teams
medability entwickelt chirurgische Simulatoren für die Wirbelsäule und arbeitet eng nach dem Scrum-Prinzip. Das Team besteht aus Mechatronikern, Informatikern, Bioinformatikern und Electrical Engineers. Hauptkunden sind Krankenhäuser und Medizintechnikhersteller, weshalb auch regelmäßiger Kontakt zu Ärzten aus Unfallchirurgie und Radiologie essenziell ist – idealerweise wöchentlich, um die Nutzer des Systems wirklich zu verstehen. Felix selbst verantwortet als Head of Software Development die App- und C++-Entwicklung und ist neben dem Coding auch in Kundengespräche und Projektmanagement eingebunden.
Machine Learning in der Medizintechnik: Von Knochensegmentierung bis zur Performance-Evaluation
Bei medability spielt Machine Learning bereits eine konkrete Rolle, vor allem bei der Knochensegmentierung in medizinischen Bilddatensätzen – also der automatisierten Unterscheidung zwischen Knochen und Nicht-Knochen in CT- oder MRT-Daten. Darüber hinaus gibt es Bestrebungen, die Performance von Trainees im Simulator automatisch zu evaluieren. Felix bringt zusätzlich ML-Expertise aus seiner laufenden PhD-Forschung ein und hat die frühe Deep-Learning-Welle ab 2012/2013 rund um das bekannte ImageNet-Klassifikationspapier aktiv miterlebt.
Medizingeräte früher: Hochpräzise Technik, aber 'dumme' Interfaces und Datenprozesse
Felix beschreibt, dass medizinische Geräte wie MRT-Scanner zwar technisch hochpräzise sind – mit Submillimeter- oder sogar Mikrometerpräzision – aber lange Zeit mit veralteten Benutzeroberflächen ausgeliefert wurden, die an Cockpits aus den Achtzigern erinnern. Der Nutzer wurde dabei kaum einbezogen. Auch die Vernetzung und Aufbereitung der gewonnenen Daten blieb oft hinter den Möglichkeiten zurück. Genau hier sieht Felix das größte Innovationspotenzial für Software und Machine Learning in der Medizin.
Karriereweg: Interesse als Kompass statt gerader Linie
Felix beschreibt seinen Werdegang als 'gerade Kurve' statt als geraden Pfad. Die Spezialisierung auf Medizintechnik begann schon im Elektrotechnik-Studium am KIT, vertieft durch ein Pflichtpraktikum bei Philips Health Care in der Forschungsabteilung. Den Kontakt zu medability fand er über sein Institut und sein Interesse an Machine Learning, Patient Data und dem Startup-Leben. Parallel zu seiner Tätigkeit als Head of Software Development finalisiert er seinen PhD – ein Parallelweg, der aus intrinsischer Motivation und Gelegenheit entstand, nicht aus strategischem Plan.
Ratschläge fürs Studium: Coding-Qualität und Verständnis der akademischen Welt
Felix nennt zwei zentrale Lücken, die er im eigenen Studium erlebt hat: Erstens fehlt es Ingenieur-Studierenden oft an soliden Programmierkenntnissen jenseits von 'Spaghetti-Code' – sauberes Coding sei sowohl für akademische als auch industrielle Karrieren essenziell. Zweitens werde die Funktionsweise der akademischen Welt – Papers schreiben, Experimente aufbauen, Konferenzen, Funding – kaum im Studium vermittelt und müsse später 'on the go' gelernt werden. Er empfiehlt, aktiv Online-Ressourcen zu nutzen und das Studium bewusst zu gestalten.
Akzeptanz von Machine Learning in der Medizin: Generationsfrage und berechtigte Skepsis
Felix beobachtet einen klaren Generationsschnitt in der Ärzteschaft: Unter 40- bis 45-Jährige sind Machine Learning gegenüber tendenziell offener, während ältere Ärzte und Chefärzte häufiger Widerstand zeigen. Dieser Widerstand ist laut Felix nicht nur Beharrlichkeit, sondern auch Ausdruck eines berechtigten Stolzes auf jahrzehntelang aufgebautes Expertenwissen und einer nachvollziehbaren Sorge vor Überwachung und Datenmissbrauch. Er rechnet künftig mit Datenschutzskandalen als Teil des Reifeprozesses der Technologie. Gleichzeitig sieht er enormes Potenzial: Objektivierung und Vergleichbarkeit medizinischer Prozesse, bessere Ausbildung durch Simulatoren und die Möglichkeit, Expertenwissen auch in unterversorgte Regionen zu bringen.
Kernaussagen
- Interdisziplinäre Zusammenarbeit mit Ärzten ist bei medability keine Ausnahme, sondern fester Bestandteil des wöchentlichen Entwicklungsprozesses.
- Machine Learning kommt bei medability konkret zur Knochensegmentierung und perspektivisch zur automatischen Performance-Evaluation von Chirurgie-Trainees zum Einsatz.
- Medizinische Geräte liefern hochpräzise Daten, aber die Aufbereitung, Vernetzung und Nutzbarkeit dieser Daten ist oft noch deutlich verbesserungswürdig.
- Sauberes Coding ('Clean Code') ist für Ingenieure und Naturwissenschaftler sowohl in der Industrie als auch in der Forschung essenziell – und wird im Studium häufig zu wenig vermittelt.
- In der Ärzteschaft gibt es einen Generationsschnitt: Jüngere Mediziner begrüßen ML-Methoden eher, ältere Chefärzte zeigen oft noch Widerstand.
- Machine Learning hat das Potenzial, medizinisches Expertenwissen zu objektivieren und auch in unterversorgte Regionen der Welt zu bringen.
- Der entscheidende Karriereratschlag lautet: regelmäßig hinterfragen, ob die eigene Tätigkeit der intrinsischen Motivation entspricht – und wenn nicht, den Mut haben, die Richtung zu wechseln.
Fazit
Das Gespräch mit Felix Achilles zeigt, wie ein unkonventioneller, von Neugier geleiteter Karriereweg zu einer spannenden Position an der Schnittstelle von Software, Machine Learning und Medizin führen kann. Seine Erfahrungen illustrieren sowohl die technischen Herausforderungen – fehlende Datenstandards, veraltete Interfaces, die Komplexität medizinischer Bilddaten – als auch die menschlichen Faktoren, die den Einzug von KI in die Medizin prägen: Generationsunterschiede, Datenschutzbedenken und die Notwendigkeit echter interdisziplinärer Kommunikation.
Für Studierende und Berufseinsteiger
Investiert früh in saubere Programmierkenntnisse über den Uni-Stoff hinaus und lernt, wie die akademische Welt funktioniert. Folgt eurer intrinsischen Motivation – auch wenn der Weg nicht gerade ist.
Für Entwicklerinnen und Entwickler im Medtech-Bereich
Regelmäßiger Austausch mit medizinischen Fachkräften ist unverzichtbar, um Produkte zu bauen, die wirklich im klinischen Alltag funktionieren. Technisches Wissen allein reicht nicht.
Für Entscheider im Gesundheitswesen
Machine Learning bietet echte Chancen zur Objektivierung und Skalierung medizinischer Ausbildung und Diagnose – aber nur, wenn Datenschutz und Akzeptanz der Anwender von Anfang an mitgedacht werden.
Volltranskript anzeigen
Speaker0: Ihr hört die IRIUM Podcast, der Data Science- und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute ist er Head of Software Development von medability, Felix Achilles, zu Gast. Er erzählt uns, worauf man sich während der Uni konzentrieren sollte, wie seine Arbeit genau aussieht und wie Machine Learning in der Welt der Medizin aktuell ankommt. Seid gespannt. Master of Science in Elektro- und Informationstechnik, wobei sich in seiner Masterarbeit alles Medical Informatik drehte. Praktikant bei Philips Health Care, Research Assistant an der TU und LMU in München und jetzt Head of Software Development bei Medability. Herzlich willkommen, Felix Achilles. Felix, toll, dass Du da bist. Freut mich. Hallo Jaguar, schön hier zu sein. Wie geht's dir? Wobei reiß ich dich grade raus? Was hast 'n Du heute bis jetzt schon so gemacht?
Speaker2: Auch heute relativ entspannter Tag, bis in den Feiertag genießen. Wir hatten viel Stress auf der Arbeit, Release 1 wichtigen Prototypen und ja, heute mal 'n bisschen zur Ruhe kommen.
Speaker1: Also eine kleine Entspannungsanlage für dich. Kannst Du uns vielleicht sonen kleinen Einblick geben, was Du denn genau bei medability machst? Wie sieht da deine Arbeit aus?
Speaker2: Ja, gerne. Also bei medability bauen wir chirurgische Simulatoren für die Wirbelsäule und wir arbeiten relativ streng nach Agile Development, also Scrum. Das heißt, in der in unserer Arbeitsweise geht's viel Abstimmung mit unserem Team. Ja, und hier ja, bei Medability ist es so, dass ein paar Domänen zusammenkommen. Wir arbeiten viel mit Ärzten zusammen natürlich aus der Unfallchirurgie, aus der Radiologie auch. Wir haben viel Kontakt zu Salesrepresentatives eben, weil unser Hauptkunden sind eben Hospitals, aber auch Medizintechnikhersteller. Genau, das ist so die die Domäne auf der Kundenseite Und ja, im Development sind wir eben Mechatroniker, Informatiker, Bioinformatiker oder eben Electricer Engineering, ja und Head of Software. Das heißt, ich überwach so die App Development, das App Development bei uns und c plus plus Development größtenteils.
Speaker1: Das heißt, ihr habt einen bunt gemischten Salat aus den verschiedensten Branchen. Das wär jetzt tatsächlich meine nächste Frage gewesen. Du, also wie ich hatt's ja eingangs erwähnt, Du kommst ja eher aus Elektro- und Informationstechnik, Masterarbeit, aber in. Wie genau oder wie weit reicht denn dann dein medizinisches Wissen, jetzt mal doof gefragt, beziehungsweise wie viel Kommunikation braucht es dann noch mit mit anderen Leuten? Also ist es da wirklich, jeden Tag wird sich ausgetauscht mit Leuten aus allen Branchen oder sagt ihr, alle 2 Wochen kommt 'n Arzt vorbei und schaut, ob das so passt? Oder wie genau kann man sich das vorstellen?
Speaker2: Ja, das ist tatsächlich essenziell. Also tatsächlich mein eigenes medizinisches Wissen begrenzt sich darauf, dass ich eben einigermaßen die Ärzte verstehen muss, mit denen ich spreche, aber nicht so tun muss, als als wüsste ich, wovon ich rede oder könnte Diagnose stellen. Ja, allerdings ist das so, dass wir eben im Studium auch schon Kliniken besucht haben, eben auch Operationen angeschaut haben und son bisschen der Wechsel in die Richtung kam dann über Philips Healthcare, über mein Praktikum, wo's dann weg vom Pure Engineering ging, eher Richtung Medical Informatics. Und genau, man man baut sein Wissen dann eben 'n bisschen branchenspezifisch aus. Das heißt, wir probieren regelmäßig, also wöchentlich jede Woche in Kontakt zu kommen oder einen Arzt bei uns in im Office zu haben, sodass wir auch wirklich die die Kunden verstehen, die potenziellen User unseres Systems. Genau und probieren eben jetzt speziell in der Unfallchirurgie immer mehr zu lernen. Allerdings ist es mehr auf 'ner Kommunikationsbasis. Für alle Fachinformationen müssen wir doch immer wieder auf Ärzte zurückgreifen.
Speaker1: Mhm. Und vielleicht so ganz konkret, keine Ahnung, nehmen wir jetzt mal diese Woche Dienstag, I don't know. Wie sieht denn son ganz typischer Arbeitsalltag aus, ne? Also startest Du da direkt mit Coden und machst den ganzen Tag nichts anderes? Oder was sind denn so die einzelnen Facetten? Wie abwechslungsreich ist denn da dein Job?
Speaker2: Ja, also es ist sehr abwechslungsreich. Ich fang noch mal an. Ja, es ist sehr abwechslungsreich. Es ist ganz davon abhängig, in welchem in welcher Phase das Projekt grade ist. Tatsächlich kommt's ab und ab und zu auch darauf an, dass wir eben auf Kongresse, auf Konferenzen uns blicken lassen und da eben die Kontakte knüpfen zu Medizinern und da sind wir auch als Developer eingebunden. Wir sind ein 1 kleines Team, eine Familie sozusagen dort und sodass jeder auch verschiedene Aufgaben übernehmen kann. Das ist natürlich der Vorteil, in 'nem Start-up zu arbeiten, jetzt fast nicht mehr Start-up und ja mehrere Aufgabenfelder zu übernehmen. Wir starten so den Tag mit einem Daily Stand-up. Das heißt, man rekapituliert und kommuniziert mit seinen Teammitglieder eben, was was getan wurde am Vortag oder eben jetzt noch an diesem Tag getan wird. Und ja, dann geht's los. Coding, oder auch Kundengespräche sehr wichtig. Projektmanagement ist drinnen, also genügend Abwechslung auf jeden Fall.
Speaker1: Mhm. So wie sich das für mich anhört, wollt ihr also wirklich auch in eure Produkte wirklich Expertenwissen einbauen und mit einbeziehen. Wie kommt denn bei euch oder ist es überhaupt der Fall, Data Science und Machine Learning zum Tragen, wenn Du da jetzt drüber reden darfst, möchtest, deine Entscheidung? Aber ist es denn bei euch vorhanden? Arbeitet ihr mit Machine Learning Algorithmen beziehungsweise Modellen oder macht ihr wirklich nur klassische Modellarbeit und holt euch Experten dazu, die euch dabei unter die Arme greifen? Genau, wir
Speaker2: sind ein schon im Kontakt mit Machine Learning. Derzeit beschäftigen wir uns mit der Segmentierung, Knochensegmentierung eben. Das ist für unsere Arbeit auch jetzt essenziell, dass eben die Unterscheidung in in Datensätzen gegeben ist. Was ist Knochen, was ist kein Knochen? Und aufgrund dessen können dann eben Trainingsszenarien entwickelt werden, bestimmte Regionen getarget werden. Das ist 'n essenzieller Schritt, das das schauen wir uns mit Machinelängen an. Generell sind wir auch einfach an Performance interessiert. Das heißt, automatische Evaluation von Performance der der User, der Trainees ist uns wichtig und da gibt's Bestrebungen in die Richtung, sagen wir mal so. Mehr kann ich in die Richtung nicht noch nicht sagen. Ich bin ja gleichzeitig auch in der Forschung aktiv. Ich finalisiere noch mein PhD und hab da eben sehr viel Kontakt mit Machine Learning gehabt und bin weiterhin noch in der Community. Genau, das heißt, da kommt eher die Machine Learning Seite rein.
Speaker1: Cool, zu deinem PhD oder beziehungsweise wie Du dorthin gekommen bist, können wir ja gleich noch bissel drüber quatschen. Ich, mir fällt jetzt grad noch eine Frage ein, und zwar in unserer ersten Staffel hatten wir den Professor Doktor Christian Heumann zu Gast, Professor für Statistik an der LMU. Und mit dem hatten wir in 1 Folge über gesprochen. Und da ging's auch kurz 1 deiner Paper mit 1 neuen Art von für speziell auch, die in der Medizin verwendet werden. Und da wurde auch kurz angerissen, dass vor allem auch gerne in der Medizin oder in der Medizinforschung 'n großes Problem darstellen oder ein gängiges Problem darstellen zumindest. Würdest Du sagen, dass es wahr oder was ist denn da so deine Auffassung? Denkst Du dir jeden Tag, diese verdammten Missing Values oder wie wie siehst Du das?
Speaker2: Ja, also die die insgesamt die Prozeduren für Datenaufnahme oder Label im Krankenhaus sind eben relativ inhomogen. Das heißt, wenn man Missing Values hat in Patientenberichten, in visuellen Daten, in medizinischen Bilddaten, ist das sozusagen dann schon 'n systematisches Problem, systemisches Problem und ja, eben vielleicht Daten sauber verarbeiten zu können oder eben eine Datenargumentierung schaffen zu können, würde da Imputation auf jeden Fall Sinn machen. Das heißt ja, Ärzte sind natürlich dazu angehalten, uns auch selber motiviert, ihre Reports so gut wie möglich zu machen, allerdings ist das eher sehr individuell, ja, und nicht so standardisiert.
Speaker1: Okay, das das nur als kleinen Exkurs. Okay, dann kommen wir vielleicht mal so bisschen zu deinem Werdegang. Ich das, als ich mir das angeschaut hab bei dir, auf LinkedIn hab ich gesehen, Master of Science Elektro- und Informationstechnik und dann Master in. Also da gab's irgendwie so, gefühlt zumindest in meinen Augen, den Sprung zur Medizin hin. Wie kam das genau? Hast Du dich plötzlich dafür interessiert oder wolltest Du als Kind Doktor werden und was ich dann doch für Computer begeistert?
Speaker2: Wie genau ist das zustande gekommen? Genau, das ist keine grade Linie. Das ist eine grade Kurve sozusagen, nee. Also auf jeden Fall im Elektrotechnikstudium, Elektro- und Informationstechnik, gab's eben auch schon die Spezialisierung Richtung hin Medizintechnik, die mich interessiert hat und ja mit der Zeit ist es immer mehr in die in die Software reingegangen, auch eben durch dieses Praktikum im Master. Das war ein Pflichtpraktikum und ich hatte das große Glück eben zu Philips Health Care zu kommen in die Forschung und das hat mich schon sehr motiviert. Mhm. Und hier ist eben die die dahinterliegende Logik. Die Gerätschaften sind da, wir haben hochgenaue Messsysteme, Imaging Systeme, die sind aber relativ dumm Mhm. Beziehungsweise war das so vor 10 Jahren und es hat natürlich einen riesigen Shift gegeben durch die Learning auch Richtung Image Image processing und Image Understanding, computerbasiert. Genau und diese Richtung ging dann grade so los und hat für mich sehr viel Sinn gemacht, dass man den mit den vorliegenden Daten einfach ein bisschen mehr macht.
Speaker1: Kurzer Einwurf dazu vielleicht, wenn wenn's in Ordnung ist. Kanntest Du das Wort dumm da etwas spezifizieren? Also waren die einfach ungenau oder haben sie oft einfach falsche Ergebnisse geliefert? Wie wie was genau kann man sich da drunter vorstellen?
Speaker2: Als eine der simpelsten Sachen sind's erst mal die Interfaces gewesen, noch vor kurzer Zeit allerdings immer noch in Kliniken verbreitet, die wir als User von Websystemen hier oder iPads dann einfach anders kennen. Da ist einfach 'n richtiger Flow drin und den Was Ärzte dann auch gemerkt haben. Das heißt, da stellt man denen halt ein 1000000 Euro MRT Gerät hin, Magnetresonanz
Speaker1: und hat dann sonen Interface aus den Achtzigern, ja, mit Okay. One color Display und so weiter. Und Man kann sich's vorstellen wie Man kann sich's vorstellen wie bei 'nem Flugzeug, wo absolut 1000 Schalter sind und man weiß nicht, welchen man drücken soll oder wie. Richtig, genau.
Speaker2: 0 Prozent den User mit eingebunden und Hauptsache, die Funktion ist erfüllt. Okay. Da davon das hat sich eben auch weiterentwickelt. Und das ist so ein Teil des des Dummen daran an der Technik. Ja, weiterhin die Daten sind hervorragend. Also da gab's jetzt natürlich auch weitere Verbesserungen, aber Submillimeter Auflösung in den Körper reinschauen ist halt schon State of the Art. Mhm. Teilweise sogar Mikrometer Auflösung, wenn's andere Imaging Technologien geht. Und was dann aber mit den Daten passiert, wie die aufbereitet werden, wie die vernetzt sind auch, ganz wichtig, ja, das das könnte man noch als als Doom bezeichnen und da muss noch einiges geschehen.
Speaker1: Und jetzt meintest Du ja grad eben, dass Du grad noch deinen PhD fertig machst. Aber Du arbeitest ja quasi, Du hast ja schon während dem PhD jetzt gearbeitet oder bist zumindest zu gekommen. War das auch, sag ich mal, gewollt oder würdest Du das jemandem raten, der seinen PhD macht? Macht das Sinn? Oder war das halt bei dir einfach wirklich nur Zufall?
Speaker2: Genau, das gehört zu dieser Kurve dazu bei mir. Also es ging nach Interesse. Ich hatte 'n starkes Interesse daran, auch die Start up Bild eben mitzuerleben. Auch die die Thematik fand ich hervorragend von medability und bin eben auch über übers Institut mit den Gründern in Kontakt gekommen. Das heißt, das war eher über Kommunikation und Austausch mit deren ja mit Bereichen, in dem also an denen ich Interesse hatte. Da zählt eben Machine Learning und Patient Data Verarbeitung gehört dazu und auf jeden Fall auch das Start up Leben Produktentwicklung find ich superspannend. Das heißt, nachdem ich die wissenschaftliche Seite gesehen hatte und die mich sehr fasziniert hat, wollt ich unbedingt auch ja ins Start-up.
Speaker1: Und jetzt vielleicht so rückblickend, falls man da jetzt schon einen Rückblick wagen kann auf dein Studium oder bessere gesagt, deine dein universitäres Leben. Gibt's irgendwas, was Du da anders machen würdest? Oder sag ich mal, wenn Du sagst, gut, wenn ich jetzt gewusst hätte, dass ich jetzt hier bin, dann hätt ich die Vorlesung eher besucht als die? Oder gibt's da was, wo Du sagen würdest, ja, das hätte man vielleicht besser oder anders machen können?
Speaker2: An sich fand ich die Ausbildung hervorragend und auch so, was daraus gebrochen ist. Das heißt, ich war in in Karlsruhe an der Uni Karlsruhe, jetzt KIT, Verzeihung, das Karlsruhe Institute of Technology. Und ja, da da gab's eben einen starken mathematischen Background für uns, auch Applied Physics war war wichtig und eben das Pflichtpraktikum fand ich hervorragend. Ja, was ich empfehlen könnte, es ist schon angenehm, wenn's sagen wir mal die die gerade Linie eher ist, wenn die sich eben nahtlos aneinander anreihen, die Schritte Bei mir ging's eher nach Interesse, das heißt es ging doch mal links und doch mal rechts wieder. Was ich aber auch einfach unglaublich spannend fand und auch die Kontakte, die man unterwegs knüpft, die Bereiche, die man kennenlernt, das war war schon super. Generell in der Ausbildung denke ich, was worauf man sich mehr konzentrieren sollte. Entweder bietet das die Uni von sich aus an oder man muss eben selber aktiv werden. Da denke ich, dass gerade wenn man im Bachelor noch ist, wäre ein gutes guter Coding Style, gutes Wissen über über Programmiersprachen wichtiger, als es derzeit war oder bei mir war in der in der Uni. Das heißt Coding für Engineers ist typischerweise so Spaghetticoat. Man lernt das nie so richtig und das das ist auf jeden Fall essenziell für eigentlich beide später, ja, akademische Karriere oder Industriekarriere. Es muss sauber sein, sonst funktioniert damit das nur nur einmal. Was auch bisschen gefehlt hat, war so das Training, die Vorbereitung auf die Akademia. Das heißt, die die akademische Welt, Papers schreiben, was ist die? Wie baut man Experimente auf? Was sind Konferenzen? Wie gibt's Funding? Das lernt man alles so on the go nach dem Studium, so friss oder stirb sozusagen. Und das kann vor allem mit 'nem Masterstudium nicht schaden, wenn man da 'n bisschen darauf vorbereitet wird.
Speaker1: Mhm. Also Du bist tatsächlich, was die beiden Punkte, die Du grad angesprochen hast, an also was das angeht, Du bist Du nicht der 1., von dem ich das tatsächlich hör. Also ich merk's auch bei mir selber zum Beispiel, speziell jetzt in meinem Studiengang, wenn man da nicht aktiv die Vorlesungen sucht, wo man quasi Programmieren lernt. Und da mein ich jetzt mehr als nur son bisschen c plus plus und und irgendwelche Graphen zeichnen, dann hängt man da son bisschen hinten dran und muss sich dann vielleicht selber beibringen, was mittlerweile auch gut möglich ist, ne. Also online gibt's ja auch superviele Kurse und und Lernmaterialien. Ja. Aber man will's ja auch irgendwie, das Studium soll ja eigentlich vielleicht auch auf was vorbereiten oder so. Also das ist vielleicht oft auch eine 1 Grundeinstellungsfrage gegenüber der Uni. Und das, was Du angesprochen hast mit dem Funding für für PhDs, das ist auch noch mal eine ganz andere Welt, dass man da plötzlich, sobald man nachm Master sich denkt, ich möcht noch 'n Doktor machen oder 'n Ph d machen, Mhm. Dass dann plötzlich das Problem Funding auf einmal aufploppt und das einem oft vorher gar nicht so bewusst ist, ja. Also das hab ich jetzt tatsächlich auch schon öfter gehört. Genau. Aber vielleicht noch son bisschen zu deinen verschiedenen Richtungen. Da ist ja gemerkt, Du gemeint, Du hast viele Richtungen eingeschlagen während dem Studium und vieles ausprobiert, was ja auch clever ist, denn wenn man viel ausprobiert hat, dann na ja, weiß man ja auch, sag ich mal, eher, was einem denn taugt beziehungsweise nicht taugt. Hattest Du denn da schon Rührpunkte mit machine learning, also beziehungsweise Data Science, also Data Science ist ja sehr großer Begriff, also mit statistischen Methoden wirst Du ja sicherlich irgend 'n Rührpunkt gehabt haben, aber so speziell Machine Learning an sich oder kam das erst während dem PhD?
Speaker2: Ja, wir hatten nur sehr grundlegende, sagen wir mal, Wahrscheinlichkeitslehre im Studium an sich Data Science, Machine Learning kam wirklich erst mit dem PhD. Und da hab ich die Welle eben auch mitgemacht ab 2013 2012 das ja große Image net Classification Paper rausgekommen von Carl Pathy und ja, die sind auch schon da miterlebt und es war einfach wichtig, da auch reinzukommen. Viele vor im Institut konnten damals auch noch kein Deep Learning maschinell in den Grundlagen schon. Auch Random Forests oder SVMs, die halt genutzt wurden. Deep Learning kam wirklich für alle dann ganz neu dazu.
Speaker1: Mhm. Alles klar. Dann jetzt vielleicht zum Abschluss. Wir wollen unseren Hörern den Complexity Masters immer noch bissel was auf den Weg geben. Gibt's irgendwas, irgendeine Lehre, die Du aus deinem Studium oder deiner Arbeit bei medability gezogen hast oder irgendeinen Ratschlag, den Du unseren Hörer mitgeben könntest?
Speaker2: Ja, ich bin natürlich sehr subjektiv gebeißt, also mich fasziniert auf jeden Fall, hat fasziniert und fasziniert weiterhin Medizininformatik, Medizintechnik. Das heißt, das ist auf jeden Fall mein Bereich, allerdings ein bisschen generischer und den ich auch empfehlen kann. Ein bisschen generischer gedacht, es ist sehr subjektiv für jede Person, was die was der beste Pfad ist. Was ich nur gesehen hab, bei Freunden vielleicht, die da nicht so viel Glück hatten oder einfach auch mal die die Richtung ganz wechseln mussten, dass man sich überlegt, entspricht das, was ich tue, meiner Motivation? Dass man das auch vielleicht regelmäßig hinterfragt, weil sich doch dann einigermaßen schnell sone Routine einschleift. Man macht das eben, weil man's machen muss. Allerdings, wenn man dann merkt, das, was ich tue, der Bereich, in dem ich bin, die die Leute, die mich umgeben, entsprechend so gar nicht mein Ideal oder 1 Domäne, die ich gut finde, sollte man sich nicht dazu zwingen und eben sich wirklich hinterfragen, was was ist meine intrinsische Motivation, wo fühle ich mich wohl und dann auch diesen Sprung machen und alles dafür tun, in diese Richtung zu kommen. Das ist das lohnt sich in Data Science, aber auch vielleicht in anderen Karrieren. Das kann man auch so mitgeben und ja, wenns dann die Medizininformatik wird, dann ist natürlich alles richtig.
Speaker1: Sehr schön. Da hätte ich natürlich noch eine Frage zum Abschluss, die mir jetzt grad noch kommt Und zwar bezüglich Medizin an sich und vielleicht auch, sag ich mal, dass die Zukunft von Medizin beziehungsweise von die Art und Weise, wie Medizin oder beziehungsweise Mediziner genau operieren, ne. Und operieren mein ich jetzt tatsächlich als Oberbegriff, nicht als tatsächlich nicht als tatsächlich OP im OP Saal. Punkt 1 dazu wäre interessant noch zu wissen, wie genau nimmt denn die Medizinwelt tatsächlich machine learning und beziehungsweise auch Methoden, die jetzt zum Beispiel macht, auf? Sind die da offen dem gegenüber oder sagen die eher so, na ja, nee, das ist uns noch zu zu ungenau?
Speaker2: Und vielleicht Frage direkt da dranhängt, was glaubst Du denn, wie in Zukunft die Medizin sich dadurch verändern wird durch Machine Learning und speziell auch die Art und Weise, wie Ärzte zum Beispiel arbeiten? Ja, das ist sehr spannend. Es gibt, würd ich mal sagen, einen einen harten Cut in der Community bei den Ärzten. Bestimmte Fachbereiche müssen sich schon jetzt früher damit auseinandersetzen, dass es eben da Neuerungen gibt, dass Machine Learning Einzug hält, auch in die medizinische Welt. Es gibt natürlich wie bei neuen Technologien immer einen Alterscutoff, ich würde mal sagen 40, 45 drunter sind eher offen, die Ärzte, die Professoren, die dann drüber sind oder die die Chefärzte. Da gibt's schon auf jeden Fall noch resistance, was man immer wieder merkt, wozu brauch ich so was, was soll das, ja? Ich mach das ich mach das mit der Hand, ich brauch keinen Computer. Das ist ganz lustig die Situation, auf die man da teilweise trifft. Und es ist ja auch in dem Sinne gerechtfertigt, dass es ein 1 Riesenexpertenwissen ist, was die die Ärzte da angesammelt haben und da eben entsprechend stolz auch drauf sind. Man hat bei Machine Learning natürlich immer 'n bisschen das Gefühl, entweder es nimmt einem was weg und das ist son bisschen die die Industrialisierung, hat son bisschen Handarbeit eben abgenommen und die Gefahr, die dann natürlich viele sehen, ist, dass Machine Learning auch Kopfarbeit wegnehmen kann, ja, übernehmen kann. Zusätzlich kommt son bisschen das Gefühl der Überwachung dazu. Wir wissen ja, dass eben Datenaufnahme höchst wichtig ist, ohne das gibt's auch nichts zu lernen für die Algorithmen. Das heißt, da gibt's son bisschen Pushback, was auch ziemlich gut, glaub ich, ist, damit eben Forscher oder Entwickler nicht zu unvorsichtig werden und sich einfach alle Patientendaten oder eben andere sensible Daten erholen, die sie die sie haben möchten. Das heißt, da wird's, denk ich mal, wenn man 'n bisschen pessimistisch in die Zukunft schaut, einige Data Bridches geben noch in Zukunft, einige Privacy Skandale und eben dieses die gefühlte Überwachung. Das kommt auf der kritischen Seite, die die aber ganz natürlich ist, die dazu kommen muss. Generell denk ich, der der der Fortschritt dann auch in die medizinische Welt passiert wie immer bisschen langsamer als in der Industrie. Das ist einfach eine extrem alte Wissenschaft, die alte Strukturen hat und eben da auch gewachsen ist. Ich seh aber, dass es auch gewünscht wird. Wir haben von von Radiologen zum Beispiel gehört, die die wollen unbedingt, die wollen sozusagen selber programmieren, die wollen selber ins Coding gehen. Die sehen, dass Algorithmen, die die Bilddaten verstehen, einfach essenziell wichtig sind und die Zukunft sind und da eben auch sehr motiviert sind. Ja, generell so die die die negativen Folgen, die die wunsch positiven Folgen, würd ich mal sagen, sind so eine gewisse Objektivierung, eine Vereinheitlichung beziehungsweise Vergleichbarkeit von medizinischen Prozeduren, medizinischer Ausbildung, was natürlich bei Medability wichtig ist das Thema und über Machine Learning dann eben Expertenwissen lernen und in Regionen bringen, die vielleicht keine so gute Ausbildungsmöglichkeiten haben. Ärmere Länder, schlechte Versorgung in in Rural Areas eben auch dem Land, dass man dass es dafür wahrscheinlich sehr viele Anwendungsbereiche gibt und und dass es in diese Richtung gehen wird mit dem Machine Learning.
Speaker1: Alles klar. Felix, ich sag vielen Dank danke für das Gespräch und ich wünsch dir noch alles Gute und viel Erfolg bei medability.
Speaker2: Danke dir, Jaguar.
Speaker1: Das war mein Gespräch mit Felix Achilles. Er hat während seines Studiums viele verschiedene Richtungen ausprobiert, bis er dann die Medizininformatik für sich entdeckt hat. Wie ist beziehungsweise war das bei euch? Hattet ihr von Anfang an einen fixen Plan, den ihr dann doch über den Haufen geworfen habt? Erzählt mir davon auf den Social Media Kanälen unseres Podcasts. Wenn ihr wissen wollt, was mit Datensätzen, speziell mit denen aus der Medizin, alles schieflaufen kann, dann hört doch mal in unsere Folge zu Missing Values aus unserer ersten Staffel rein, die wir zusammen mit Professor Doktor Christian Heymann aufgenommen haben. Master the Complexity.
Speaker0: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM
Speaker2: Podcast.