(For English version see below)
Auf Ultraschallbildern erkennen werdende Eltern manchmal mit etwas Glück ein Gesicht, vielleicht eine Hand, vielleicht einen Arm. Für Ärztinnen und Ärzte ebenso wie für Forschende sind solche Aufnahmen jedoch weit mehr als ein emotionaler Moment. Sie können Hinweise darauf geben, wie sich ein Kind schon im Mutterleib bewegt – und damit auch darauf, wie sich sein Nervensystem entwickelt.
Forschende hoffen, in solchen Bewegungsmustern eines Tages frühe Hinweise auf die neurologische Entwicklung zu erkennen. Etwa darauf, wie sich Bewegungskoordination herausbildet oder wie einzelne Körperteile miteinander zusammenspielen. Genau deshalb ist es wichtig, verlässlich erfassen zu können, was in den Aufnahmen zu sehen ist. Doch diese Bewegungen auszuwerten, ist bislang mühsame Handarbeit. Bild für Bild müssen Fachleute markieren, wo genau Nase, Mund, Schultern oder Ellenbogen zu sehen sind.
An der Schnittstelle von Mathematik und Medizin
Genau hier setzt die Arbeit von Moldir Berkaliyeva an. Im Rahmen ihres Masterstudiums Interdisciplinary Mathematics an der Technischen Universität Hamburg (TUHH) entwickelte sie am Universitätsklinikum Hamburg-Eppendorf (UKE) ein KI-System, das in 4D-Ultraschallvideos automatisch bestimmte Körperpunkte eines Fötus erkennen kann. Die „vierte Dimension“ ist die Zeit: Statt nur eines räumlichen Bildes liefert 4D-Ultraschall eine Folge von 3D-Bildern, also gewissermaßen ein Video aus dem Mutterleib.
Berkaliyevas Weg ist auch eine Geschichte von Zutrauen. Im Interview sagt sie, geprägt hätten sie vor allem ihre beiden Schwestern, die sie inspiriert und bestärkt hätten, sich mehr zuzutrauen. Aufgewachsen in Kasachstan, studierte sie zunächst an der Nasarbajew-Universität in Kasachstans Hauptstadt Astana Mathematik. Für ihren Master suchte sie ganz bewusst ein internationales Programm. Über das Erasmus-Mundus-Programm kam sie nach Hamburg. An der TUHH vertiefte sie im Rahmen ihres Masterprojekts ihr Wissen über mathematische Modelle, Datenanalyse und künstliche Intelligenz; um die Masterarbeit zu schreiben, wechselte sie ans UKE.
Mathematisches Denken und ein konkreter Nutzen für die Gesellschaft
Ganz zufällig kam diese Verbindung von Mathematik und Medizin allerdings nicht zustande. Berkaliyeva wuchs in einer Familie auf, in der Medizin stets präsent war – ihre Eltern arbeiteten in diesem Bereich. Sie selbst fühlte sich jedoch stärker zu analytischen und technischen Fragen hingezogen. Die Arbeit mit künstlicher Intelligenz erschien ihr deshalb als eine Möglichkeit, beides zusammenzubringen: mathematisches Denken und einen konkreten Nutzen für die Gesellschaft. Rückblickend, sagt sie, habe sie genau das gesucht – ein Feld, in dem Modelle und Algorithmen nicht abstrakt bleiben, sondern helfen können, medizinische Forschung voranzubringen. Dass sie nach der Masterarbeit in Hamburg geblieben ist und nun am Institute of Medical Systems Bioinformatics (IMSB) des UKE promoviert, passt zu diesem Weg. Dafür arbeitet sie weiter mit medizinischen Bilddaten. Nun aber nicht mehr an fetalem Ultraschall, sondern im Bereich der computergestützten Pathologie. Dabei werden Gewebeproben nicht nur unter dem Mikroskop betrachtet, sondern auch als hochaufgelöste digitale Bilder mit Hilfe von Algorithmen und künstlicher Intelligenz analysiert.
In ihrer Masterarbeit entwickelte Berkaliyeva ein KI-System, das in 4D-Ultraschallvideos automatisch erkennen soll, wo sich bestimmte Körperteile eines Fötus befinden – etwa Nase, Mund, Schultern, Ellenbogen oder Handgelenke. Die Grundidee klingt einfach, ist technisch aber anspruchsvoll. Das System muss Bild für Bild nachvollziehen, welcher Punkt im Körper wo liegt und wie sich diese Positionen im Verlauf des Videos verändern. Denn wer solche Bewegungen wissenschaftlich auswerten will, musste bisher sämtliche Aufnahmen von Hand annotieren – also markieren, wo genau sich welche Struktur befindet.
Die zeitliche Dimension hilft bei Vorhersagen
Sie konnte zeigen, dass dieser Ansatz grundsätzlich funktioniert. Für einige Körperteile lieferte das Modell bereits recht zuverlässige Ergebnisse, vor allem dort, wo die Strukturen im Ultraschall gut sichtbar sind. Besonders interessant wurde es, als Berkaliyeva nicht mehr nur einzelne Bilder getrennt voneinander betrachtete, sondern die zeitliche Abfolge der Aufnahmen stärker einbezog. Diese zeitliche Logik half dem System, Vorhersagen zu verbessern und Bewegungen plausibler nachzuverfolgen.
Zugleich macht die Arbeit auch die Grenzen solcher KI-Modelle sichtbar. Manche Körperteile lassen sich deutlich schwerer erkennen als andere. Auch die Perspektive der Aufnahmen beeinflusst die Ergebnisse. Wenn die Daten überwiegend aus ähnlichen Blickwinkeln stammen, lernt das Modell unter Umständen genau diese Verzerrung mit. Hinzu kommt, dass es sich bislang um Grundlagenforschung handelt, nicht um ein fertiges klinisches Werkzeug. Noch ist also offen, wie gut sich der Ansatz auf andere Datensätze oder Anwendungen übertragen lässt. Das Modell könnte nun mit mehr und vielfältigeren Daten weiterentwickelt, robuster gemacht und künftig von anderen Forschenden aufgegriffen werden. Berkaliyevas Arbeit zeigt damit vor allem eines: dass sich ein bislang schwer zugänglicher Bereich der pränatalen Forschung mit KI tatsächlich systematischer erschließen lässt.
Info:
Entstanden ist die Masterarbeit am UKE in Zusammenarbeit mit bAIome, dem Center for Biomedical AI am UKE. Sie ist eingebettet in ein internationales Forschungsprojekt mit Partnern in Hamburg und Genua. Dr. Anna Reinicke-Vogt, Forschungskoordinatorin bei bAIome, brachte Moldir Berkaliyeva mit Prof. Stefan Bonn, Prof. Marina Zimmermann, Dr. Patrick Fuhlert und Prof. Stefano Panzeri in Kontakt. Sie waren gemeinsam mit Prof. Cristina Becchio aus der Klinik für Neurologie am UKE, dem Italian Institute of Technology (IIT) und Dr. Dario Paladini vom Gaslini-Kinderkrankenhaus an dem kooperativen Forschungsprojekt FETALPOSE beteiligt. Der für die Masterarbeit genutzte Datensatz wurde von einem spezialisierten Forschungsteam kuratiert und annotiert, das von Prof. Becchio am UKE und am IIT in Genua koordiniert wurde. Auf Seiten der TUHH betreute Prof. Daniel Ruprecht die Arbeit, der dort am Institut für Mathematik den Lehrstuhl für Computational Mathematics innehat.
English:
Algorithms in the Womb
From Kazakhstan via TUHH to UKE: Moldir Berkaliyeva combines mathematics, artificial intelligence, and medicine. She has developed an AI system that automatically detects the positions of specific parts of a fetus’s body in 4D ultrasound videos. Her goal is to help capture early development in the womb more precisely and systematically.
In ultrasound images, expectant parents may, with a bit of luck, recognize a face, perhaps a hand, maybe an arm. For doctors and researchers alike, however, such images are far more than an emotional moment. They can provide clues about how a child moves even before birth—and thus about how its nervous system develops.
Researchers hope that one day, such movement patterns will reveal early indicators of neurological development—for example, how motor coordination emerges or how individual body parts interact. This is precisely why it is important to reliably identify what can be seen in the images. Yet analyzing these movements has so far been painstaking manual work. Frame by frame, experts must mark exactly where the nose, mouth, shoulders, or elbows are located.
At the intersection of mathematics and medicine
This is where Moldir Berkaliyeva’s work comes in. As part of her Master’s degree in Interdisciplinary Mathematics at the Hamburg University of Technology (TUHH), she developed an AI system at the University Medical Center Hamburg-Eppendorf (UKE) that can automatically detect specific anatomical landmarks of a fetus in 4D ultrasound videos. The “fourth dimension” is time: instead of a single spatial image, 4D ultrasound provides a sequence of 3D images—essentially a video from inside the womb.
Berkaliyeva’s path is also a story of confidence. In an interview, she said she was particularly shaped by her two sisters, who inspired and encouraged her to believe more in her abilities. Growing up in Kazakhstan, she initially studied mathematics at Nazarbayev University in the capital, Astana. For her Master’s degree, she deliberately sought an international program. Through the Erasmus Mundus program, she came to Hamburg. At TUHH, she deepened her knowledge of mathematical models, data analysis, and artificial intelligence as part of her Master’s project; to write her thesis, she moved to UKE.
Mathematical thinking and tangible societal benefit
The connection between mathematics and medicine was not entirely coincidental. Berkaliyeva grew up in a family where medicine was ever-present—her parents both worked in the field. She herself, however, felt more drawn to analytical and technical questions. Working with artificial intelligence therefore seemed like a way to combine both: mathematical thinking and a tangible benefit for society. Looking back, she says this is exactly what she had been searching for—a field in which models and algorithms do not remain abstract but can help advance medical research. It fits this trajectory that she stayed in Hamburg after completing her Master’s degree and is now pursuing a PhD at the Institute of Medical Systems Bioinformatics (IMSB) at UKE. There, she continues to work with medical imaging data—though no longer on fetal ultrasound, but in the field of computational pathology. In this area, tissue samples are not only examined under a microscope but also analyzed as high-resolution digital images using algorithms and artificial intelligence.
In her Master’s thesis, Berkaliyeva developed an AI system designed to automatically detect the positions of specific parts of a fetus’s body in 4D ultrasound videos—such as the nose, mouth, shoulders, elbows, or wrists. The basic idea sounds simple, but is technically demanding. The system must track, frame by frame, where each point in the body is located and how these positions change over the course of the video. Until now, anyone wishing to analyze such movements scientifically had to annotate every recording by hand—marking exactly where each structure appears.
The temporal dimension improves predictions
She was able to show that this approach works in principle. For some body parts, the model already produced quite reliable results, especially where structures are clearly visible in ultrasound images. It became particularly interesting when Berkaliyeva no longer considered individual images in isolation, but instead incorporated the temporal sequence more strongly. This temporal logic helped the system improve its predictions and track movements more plausibly.
At the same time, the work also highlights the limitations of such AI models. Some body parts are much more difficult to detect than others. The perspective of the recordings also influences the results: if the data predominantly come from similar viewing angles, the model may learn exactly this bias. Moreover, this is still fundamental research, not a finished clinical tool. It therefore remains unclear how well the approach can be transferred to other datasets or applications. With more and more diverse data, the model could be further developed, made more robust, and taken up by other researchers in the future. Berkaliyeva’s work thus demonstrates above all one thing: that a previously hard-to-access area of prenatal research can indeed be explored more systematically using AI.
Info:
The master’s thesis was conducted at UKE in collaboration with bAIome, the Center for Biomedical AI at UKE. It is embedded in an international research project with partners in Hamburg and Genoa. Dr. Anna Reinicke-Vogt, research coordinator at bAIome, connected Berkaliyeva with Prof. Stefan Bonn, Prof. Marina Zimmermann, Dr. Patrick Fuhlert, and Prof. Stefano Panzeri. Together with Prof. Cristina Becchio from the Department of Neurology at UKE, the Italian Institute of Technology (IIT), and Dr. Dario Paladini from the Gaslini Children’s Hospital, they were involved in the collaborative research project FETALPOSE. The dataset used for the master’s thesis was curated and annotated by a specialized research team coordinated by Prof. Becchio at UKE and at IIT in Genoa. On the TUHH side, the thesis was supervised by Prof. Daniel Ruprecht, who holds the Chair of Computational Mathematics at the Institute of Mathematics there.
