Da es immer schwieriger wird, die immer größer werdenden Mengen an generierten biomedizinischen Daten (z.B. CT-Scans, Röntgenbilder, Omics-Daten) mit Hilfe konventioneller Analysetechniken vollständig zu analysieren, wenden sich Forscher und Praktiker zur Analyse ihrer Daten den Ansätzen der künstlichen Intelligenz (KI) zu. Obwohl die Anwendung der KI auf biomedizinische Daten in vielen Fällen eine verbesserte Leistung und Genauigkeit verspricht, leiden bestehende KI-Ansätze oft unter einer Intransparenz. Ihre sub-symbolische Zustandsdarstellung ist für den Menschen unzugänglich und undurchsichtig, was uns daran hindert, die produzierten Ergebnisse vollständig zu verstehen und ihnen daher zu vertrauen. Explainable AI (XAI) beschreibt einen aktuellen Trend in der KI-Forschung mit dem Ziel, das Opazitätsproblem heutiger KI-Ansätze zu lösen, indem (besser) interpretierbare KI-Modelle unter Beibehaltung eines hohen Leistungs- und Genauigkeitsniveaus erstellt werden. Das Ziel des XAIOmics Forschungsprojekts ist es, einen XAI-Ansatz für biomedizinische (d.h. Omics) Daten zu entwerfen, zu entwickeln und zu evaluieren. Insbesondere werden wir biomedizinische Anwendungsfälle und aktuelle, praktikable Ansätze im Bereich der XAI identifizieren und sie auf die identifizierten Anwendungsfälle anwenden und anpassen. Im Hinblick auf das stark interdisziplinäre Gebiet wird eine zentrale Forschungshürde die Entwicklung eines Verständnisses für die verschiedenen Arten von biomedizinischen Daten und das anschließende Feature Engineering im Rahmen des Designs der KI-Algorithmen sein. Auf diese Weise wird dieses Projekt nicht nur Forschern und Ärzten helfen, ein besseres Verständnis für die Ergebnisse zeitgenössischer KI-Ansätze für biomedizinische Daten zu erhalten, sondern auch mehr Transparenz schaffen, was den Aufbau von Vertrauen in KI-basierte Behandlungs- und Diagnoseentscheidungen in der personalisierten Medizin unterstützen wird.