KDT
Angewandte Künstliche Intelligenz und Digitale Transformation
Studienüberblick
Die Künstliche Intelligenz stellt unstrittig eine der wichtigsten Zukunftstechnologien dar, von der die globale Wettbewerbsfähigkeit der deutschen Wirtschaft entscheidend abhängen wird. An dieser Stelle setzt der Masterstudiengang "Angewandte Künstliche Intelligenz und Digitale Transformation" (KDT) an: Ziel ist die Ausbildung von Expert*innen für betriebliche Anwendungen der Künstlichen Intelligenz, die im Unternehmen unmittelbar einsetzbar sind und bei der erfolgreichen Umsetzung und digitalen Transformation maßgeblich unterstützen. Dabei soll der Fokus auf dem konstruktiven Entwickeln von innovativen, intelligenten und zugleich wirtschaftlich praktikablen Lösungen liegen, insbesondere in den Bereichen Produktion, Marketing und Personal.
Notwendig sind daher interdisziplinär ausgebildete Expert*innen, die neben dem dringend notwendigen mathematisch-technischen Fachwissen, z.B. zu symbolischen (Regel- und Entscheidungsbauminduktion) und subsymbolischen (Neuronale Netze, Deep Learning) Verfahren des Maschinellen Lernens, auch Kompetenzen zur organisatorischen Umsetzung der Anforderungen unter Beachtung der wirtschaftlichen, rechtlichen und ethischen Rahmenbedingungen besitzen („Business Understanding“). Ihre Aufgabe wird es insbesondere auch sein, mit den jeweiligen Fachleuten (Mathematiker*innen, IT-Vertretern, Ingenieur*innen, Vertretende des Managements) gemeinsam Lösungen zu entwickeln und die Umsetzung im Rahmen von Change-Projekten zu leiten oder zu begleiten. Im Fokus steht daher eine breite Ausbildung, die das Erlernen grundlegender Aspekte sowie insbesondere der Fachsprache der relevanten Bereiche garantiert.
| Kurzform | KDT |
| Studienart | Vollzeit |
| Regelstudienzeit | 3 Semester |
| Abschluss | Master of Arts (M.A.) |
| Studienstart | Wintersemester |
| Zulassungsbeschränkung | spezifisch |
| Vorlesungsort | Ansbach |
| Unterrichtssprache | Deutsch |
| Studiengangleitung | Prof. Dr. Sigurd Schacht |
| Studienfachberatung | Prof. Dr. Sigurd Schacht |
| Studiengangsassistenz KDT | studiengangsassistenz-kdt(at)hs-ansbach.de |
| Studierendenservice | studierendenservice.kdt(at)hs-ansbach.de |
Zulassungsvoraussetzungen und Bewerbung zum Studium
Sie können den Master-Studiengang KDT im Wintersemester starten. Wie für alle Studiengänge, ist auch für diesen Studiengang eine rechtzeitige Bewerbung über das Online-Bewerberportal erforderlich. Bitte beachten Sie, dass die regulären Fristen Ausschlussfristen sind. Ihre Bewerbung muss daher spätestens mit Ablauf des letzten Tages der jeweiligen Frist bei uns eingegangen sein (2. Mai – 15. Juli).
Alle Informationen zur Bewerbung finden Sie HIER.
Darüber hinaus ist ein erfolgreich abgeschlossenes Hochschulstudium in einem einschlägigen Studiengang oder ein gleichwertiger in- oder ausländischer Abschluss mit einer Prüfungsgesamtnote von mind. 2,5, dessen Umfang in der Regel 210 ECTS-Punkte, mindestens jedoch 180 ECTS-Punkte umfasst, nötig. Als einschlägig gelten Studiengänge, die auf Grundlagen aus den Bereichen Medien, Wirtschaft bzw. Technik aufbauen.
Für Bewerber an bayerischen Fachhochschulen gilt das Bayerische Hochschulgesetz (BayHSchG).
Studienaufbau
Der Masterstudiengang "Angewandte Künstliche Intelligenz und Digitale Transformation" umfasst 90 ECTS, die in drei Semestern durchlaufen werden können. Wenn Sie mit einem Abschluss, der weniger als 210 ECTS umfasst, einsteigen, müssen Sie ggf. zusätzliche Zeit für das Nachholen von Modulen/ECTS einplanen.
Der Studiengang ist stark praxisorientiert und bietet im 1. Semester neben einer technologischen Grundlagenvermittlung bereits frühe Spezialisierungsmöglichkeiten innerhalb der Module in den Bereichen der digitalen Geschäftsmodelle und -prozesse sowie Leadership und Change Management an. Um die Studierenden optimal auf ihr späteres Berufsleben vorzubereiten, werden die Lehrinhalte aus den unterschiedlichen Vorlesungen bereits ab dem 1. Semester unmittelbar in praxisbezogenen Gruppenübungen angewendet. Im 2. Semester werden die vermittelten Lehrinhalte im Rahmen eines eigenständigen angewandten Projektes, i.d.R. mit einem externen Partner, in die Praxis umgesetzt. Begleitend dazu werden betriebliche Anwendungsmöglichkeiten der KI in drei unterschiedlichen Bereichen angeboten. Zusätzlich bereiten diese Module die Absolvierenden auf den späteren Berufsalltag vor, da sie vertiefende praxisbezogene Beispiele liefern. Nach der Projektarbeit folgt im 3. Semester die Möglichkeit der Vertiefung (z.B. der Projektarbeit) anhand einer Masterarbeit.
Sie schließen das Studium in drei Semestern ab. Nach erfolgreichem Abschluss wird Ihnen der international anerkannte akademische Grad Master of Arts (M.A.) verliehen.
Berufsaussichten
Die Kombination von Grundwissen über Angewandte KI, Kenntnissen über die Digitalisierung von Produkten und Prozessen, dem fundierten Wissen aus dem Bereich Digital Leadership und Transformation ermöglicht den Studierenden eine vielfältige und vor allem branchenunabhängige berufliche Zukunftsperspektive. Egal ob in der freien Wirtschaft, in nichtkommerziellen Organisationen oder Behörden - das spätere Tätigkeitsspektrum ist breit gefächert.
Einerseits ermöglicht das vermittelte interdisziplinäre Know-how den Absolvierenden, projektübergreifende Potentiale für KI-Lösungen eigenständig zu erkennen und diese wiederum durch strukturiertes wie auch zielorientiertes Handeln umzusetzen. Andererseits verfügen sie im Bereich Angewandte KI und digital Transformation über die Befähigung, Führungsverantwortung zu übernehmen und KI-Projekte zu initiieren, durchzuführen und hinsichtlich der Qualitätssicherung anschließend einer umfangreichen Evaluation zu unterziehen.
In diesem Rahmen sind die Absolvierenden durch das umfassende Einsatzspektrum nicht nur für globale Konzerne oder große Behörden interessant, sondern auch für kleine und mittlere Unternehmen (KMU).
Personen
Prof. Dr. Sigurd Schacht
Studiengangsleiter Angewandte Künstliche Intelligenz und Digitale Transformation (KDT) / Studienfachberatung Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
0162 2304401 Retti 063 (Rettistraße 56, 91522 Ansbach) nach Vereinbarung sigurd.schacht vCard
Prof. Dr. Sigurd Schacht
Studiengangsleiter Angewandte Künstliche Intelligenz und Digitale Transformation (KDT) / Studienfachberatung Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Funktionen:
- Studiengangsleiter Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
- Studienfachberatung Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
- Professor Innovation und Entrepreneurship (IUE)
- Professor Smart Energy Systems (SES)
- Koordinator der Fakultät Wirtschaft Zentrum für angewandte KI und Transfer (AN[ki]T)
Lehrgebiete:
- Angewandte Künstliche Intelligenz
- Digitale Geschäftsprozesse
- Digitale Transformation und Change Management
Vita:
Sigurd Schachts Lehre und Forschung ist fokussiert auf die Anwendung der Verfahren der künstlichen Intelligenz in Unternehmen und Gesellschaft. Vor seiner Tätigkeit an der HS Ansbach, war er Professor an der HS Heilbronn und langjährig bei zwei der BIG-4-Prüfungsgesellschaften tätig.
Publikationen:
- Schacht, S., & Lanquillon, C. (2019). Blockchain und maschinelles Lernen. Springer Vieweg.
- Schacht S. (2019): Blockchain eine Einführung. Wirtschaftsmagazin w.news der IHK Heilbronn.
- Schacht S. et. al (2018): Predictive IT-Service Operation. In Loose T. (Hrsg.): Tagungsband Workshop 2018 ASIM/GI-Fachgruppe, Heilbronn 2018
- Huettner O., Lanquillon C., Schacht S. (2018): Towards State of the Art in open-set Face Identification. In Loose T. (Hrsg.): Tagungsband Workshop 2018 ASIM/GI-Fachgruppe, Heilbronn 2018
- Lanquillon, C; Schacht, S. (2016): A Big Data Change Detection System, in: Hertweck, D./ Decker, C. (Hrsg.): Digital Enterprise Computing 2016, Lecture Notes in Informatics (LNI), Gesellschaft für Informatik, Bonn 2016
- Schacht, S., Lanquillon, C., Schmieder K., Effenberger J. (2016): Business element management as necessary part of the digital transformation in enterprises. 09/2016, DOI: 10.13140/RG.2.2.22864.00004
- Schacht, S.; Küller, P. (2015): Enterprise Architecture Management und Big Data, in Dorschel, J. (Hrsg.): Praxishandbuch Big Data: Wirtschaft – Recht – Technik, Springer Gabler, 2015
- Schacht, S. (2015): Von Big Data zum Wertbeitrag für das Unternehmen. Deloitte & Touche Unternehmergespräche Mai 2015, Nürnberg.
- Schacht, S. (2008): Die Genossenschaften im Wettstreit der Unternehmensformen in ausgewählten EU-Staaten. Forschungsinstitut für Genossenschaftswesen an der Universität Erlangen-Nürnberg, 2008.
Nancy Herde
Fakultätsassistentin Wirtschaft
0981 4877-194 oder +49 (0)162 2145825 (Mobil) Retti 001 Termin nach Vereinbarung nancy.herde vCard
Nancy Herde
Fakultätsassistentin Wirtschaft
Funktionen:
- Fakultätsassistentin Wirtschaft
Betreute Studiengänge:
- Angewandte Wirtschafts- und Medienpsychologie (AWM)
- Innovation und Entrepreneurship (IUE)
- Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Ralph-Peter Kappestein
Leiter Studierendenservice der School of Business and Technology (SBT)
0981 203633-16 BHS 3.02 (Brauhausstraße 15, 91522 Ansbach) nach Vereinbarung ralph-peter.kappestein vCard
Ralph-Peter Kappestein
0981 203633-16
BHS 3.02 (Brauhausstraße 15, 91522 Ansbach)
nach Vereinbarung
ralph-peter.kappestein
vCard
Leiter Studierendenservice der School of Business and Technology (SBT)
Funktionen:
- Leiter Studierendenservice der School of Business and Technology (SBT)
Prof. Dr. Wolf Knüpffer
Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
0981 4877-366 92.1.5 Mittwoch 16.00-17.00 Uhr wolf.knuepffer vCard
Prof. Dr. Wolf Knüpffer
Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Funktionen:
- Studiengangsleiter Wirtschaftsinformatik (WIF)
- Studiengangsleiter Datenschutz und IT-Sicherheit (DIS)
- Studienfachberatung Wirtschaftsinformatik (WIF)
- Studienfachberatung Datenschutz und IT-Sicherheit (DIS)
- Professor Künstliche Intelligenz und Kognitive Systeme (KIK)
- Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
- Professor Digital Marketing (DIM)
- Mitglied Senat und Hochschulrat
- Mitglied Fakultätsrat Wirtschaft
Lehrgebiete:
- Internet- und Web-Technologie
- Mobiles Equipment
- Geschäftsprozessmanagement
Prof. Dr.-Ing. Michael Müller
Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Prof. Dr.-Ing. Michael Müller
Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Funktionen:
- Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
- Professor Betriebswirtschaft (BW)
- Mit-Initiator und Dozent Leadership im Gesundheitswesen (LSG) und Leadership (LEA)
- Ehemaliger wissenschaftlicher Leiter des Instituts für Mittelstand und Unternehmensentwicklung der Hochschule Ansbach (IMEA)
- Initiator und Dozent im ESF-Drittmittelprojekt KM2U 2017-2019 (Wissensmanagement im regionalen Mittelstand)
- Mitglied im Arbeitskreis Qualitätsmanagement (bis 2020)
- Vorsitzender, Mitglied und externer Gutachter in Berufungskommissionen
Lehrgebiete:
- Organisation
- Unternehmensführung
- Geschäftsprozessmanagement
- Organizational Behaviour und Change Management
- Wissensmanagement
- Digital Leadership und agiles KI-Projektmanagement
Vita:
- Seit 2020: Initiator und Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
- 2018-2020: Studiengangsleiter Betriebswirtschaft (BW)
- Seit 2012: Angewandte Forschung auf dem Gebiet „Sicherung von Erfahrungswissens“
- Seit 2012: Professur Betriebswirtschaft (BW) an der Hochschule Ansbach
- 2005-2012: Berater und Trainer bei sciNOVIS für das Thema „Sicherung von Erfahrungswissen“
- 2001-2005: Mit-Gründer und Geschäftsführer bei der COGNEON GmbH
- 1997-2001: Stellv. Leiter der Forschungsgruppe Wissenserwerb des FORWISS Erlangen
- 1994-1998: Promotion zum Thema „Interessantheit bei der Entdeckung von Wissen in Datenbanken“
- 1993-1997: Wiss. Mitarbeiter in der Forschungsgruppe Wissenserwerb des FORWISS Erlangen
- 1987-1993: Studium der Informatik mit Schwerpunkt KI an der FAU Erlangen-Nürnberg
Publikationen:
Müller, Michael: Wissensmanagement. Reihe „WiWi klipp & klar“. Springer Gabler, Wiesbaden, erscheint 2022.
Förtsch, Ferdinand; Müller, Michael: Wissensmanagement – Karriere in der Verwaltung. Kommunal- und Schul-Verlag, Wiesbaden, 2015.
Ittner, Friedrich-Alexander; Ambrosius, Ute; Müller, Michael: Wissensorientierte Strategieentwicklung für den Mittelstand (KMU). Schriftenreihe Campus Edition, Fachhochschule Ansbach, 2015.
Kaiser, Robert; Müller, Michael: Erfahrungsschätze bewahren. In Vitako aktuell, Zeitschrift der Bundes-Arbeitsgemeinschaft der Kommunalen IT-Dienstleister e.V., 2010.
Punzel, Joachim; Schwarze, Jochen; Graubner, Christian; Müller, Michael: Fallstudie: Von der Mindmap zum Wiki - Wissensbewahrung im eGovernment-Center der Stadt Erlangen. In „Enterprise 2.0 - Planung, Einführung und erfolgreicher Einsatz von Social Software in Unternehmen“, Forschungsgruppe Kooperationssysteme der Universität der Bundeswehr München, 2009.
Graubner, Christian; Müller, Michael: Wissensmanagement für Innovationsmanagement - Systematische Unterstützung des Innovationsmanagements durch Methoden und Prozesse des Wissensmanagements. In Tagungsband WM 2007 (4. Konferenz Professionelles Wissensmanagement), 2007.
Müller, Michael; Kaiser, Robert: Wissensbewahrung bei der Stadt Erlangen - Dokumentation und Kommunikation der Erfahrungen ausscheidender Wissensträger. In Tagungsband KnowTech 2006, S. 425-432, 2006.
Stoyan, Herbert; Müller, Michael; Bimazubute, Raymond; Grille, Barbara; Hausdorf, Carsten; Hormeß, Markus; Kraetzschmar, Gerhard K.; Schneeberger, Josef; Turk, Andreas: Wissenserwerb und Wissensmanagement. In Hammwöhner, R.; Rittberger, M.; Semar, W. (Hrsg.): Wissen in Aktion - Der Primat der Pragmatik als Motto der Konstanzer Informationswissenschaft, Festschrift für Rainer Kuhlen, Schriften zur Informationswissenschaft 41, Hochschulverband für Informationswissenschaft, S. 253-270, 2004.
Grille, Barbara; Stoyan, Herbert; Gaede, Bernd; Müller, Michael: Wissensmanagementprozesse - Mit Experteninterviews zum aufgabenbezogenen hypertextbasierten Informations- und Tutorsystem. In Buhl, H.-U.; Huther, A.; Reitwiesner, B. (Hrsg.): 5. Internationale Tagung Wirtschaftsinformatik 2001, S. 323-338, Physica-Verlag, 2001.
Hausdorf, Carsten; Stoyan, Herbert; Müller, Michael: Kaskadierter Wissenserwerb beim Wissensmanagement. In Gronau, N. (Hrsg.): Wissensmanagement: Systeme - Anwendungen - Technologien, Aachen, 2001.
Hogl, Oliver; Müller, Michael; Stoyan, Herbert; Stühlinger, Wolf: On Supporting Medical Quality with Intelligent Data Mining. In Sprague, R. (Hrsg.): Proceedings of the Thirty-Fourth Annual Hawaii International Conference on System Sciences (HICSS-01), IEEE Press, Maui, Hawaii, January 3-6 2001.
Hogl, Oliver; Stoyan, Herbert; Müller, Michael: The Knowledge Discovery Assistant: Making Data Mining Available for Business Users. In Gunopulos, D.; Rastogi, R. (Hrsg.): Proceedings of the 2000 ACM SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery (DMKD-2000), S. 96-105, Dallas, Texas, May 2000.
Müller, Michael: Interessantheit bei der Entdeckung von Wissen in Datenbanken. In Künstliche Intelligenz, Nr. 3, S. 40-42, September 1999.
Müller, Michael: Interessantheit bei der Entdeckung von Wissen in Datenbanken. Dissertation, Friedrich-Alexander-Universität Erlangen-Nürnberg, 1998.
Müller, Michael; Hausdorf, Carsten; Schneeberger, Josef: Zur Interessantheit bei der Entdeckung von Wissen in Datenbanken. In Nakhaeizadeh, Gholamreza (Hrsg.): Data Mining: Theoretische Aspekte und Anwendungen, Beiträge zur Wirtschaftsinformatik, S. 248-264, Physica-Verlag, Heidelberg, 1998.
Büchter, Oliver; Müller, Michael; Schneeberger, Josef: Improving Forward Selection with Background Knowledge: Finding Interesting Multiple Regression Models for Sales Prediction. In Lu, Hongjun; Motoda, Hiroshi; Liu, Huan (Hrsg.): Proceedings of the First Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD’97), KDD: Techniques and Applications, S. 344-357, World Scientific, Singapore, 1997.
Prof. Dr. Bernhard Volz
Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Prof. Dr. Bernhard Volz
Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
Funktionen:
- Professor Wirtschaftsinformatik (WIF)
- Professor Datenschutz und IT-Sicherheit (DIS)
- Professor Angewandte Künstliche Intelligenz und Digitale Transformation (KDT)
- Prodekan Fakultät Wirtschaft
Lehrgebiete:
- Software Engineering und Anwendungsentwicklung
- Datenbanksysteme
- Big Data Analytics
- Künstliche Intelligenz
Vita:
1999 - 2001: Ausbildung zum Staatlich geprüften Industrietechnologen (Fachrichtung Datentechnik, Spezialisierung Automatisierungstechnik) an der Siemens Technik Akademie in Erlangen
2001: Softwareentwickler bei der Siemens AG in Nürnberg-Moorenbrunn
2001 - 2006: Studium Computational Engineering an der Friedrich-Alexander Universität Erlangen-Nürnberg, Abschlüsse: Bachelor of Science und Master of Science
2006 - 2011: Promotion in Angewandter Informatik zum Thema "Werkzeugunterstützung für methodenneutrale Metamodellierung" am Lehrstuhl für Datenbanksysteme (Prof. Dr.-Ing S. Jablonski) der Universität Bayreuth zum Dr. rer. nat.
2011 - 2015: Akademischer Rat a.Z. am Lehrstuhl für Datenbanksysteme der Universität Bayreuth
2016 - 2019: Leitung des Datenmanagements an der Frauenklinik des Universitätsklinikums Erlangen (Prof. Dr. med. M. W. Beckmann) in der translationalen Forschung (Prof. Dr. med. P. A. Fasching)
2019: Berufung zum Professor für Wirtschaftsinformatik, insbesondere Software Engineering und Datenbanksysteme an der Hochschule für Angewandte Wissenschaften in Ansbach
Seit 2020: Leitung des Studiengangs Wirtschaftsinformatik (zusammen mit Prof. Dr. W. Knüpffer)
Seit 2021: Prodekan der Fakultät Wirtschaft
Publikationen:
Peter A. Fasching; Siddhartha Yadav; Chunling Hu; Marius Wunderle; Lothar Häberle; Steven N. Hart; Matthias Rübner; Eric C. Polley Kun Y. Lee; Rohan D. Gnanaolivu; Peyman Hadji; Hanna Hübner; Hans Tesch; Johannes Ettl; Friedrich Overkamp; Michael P. Lux; Arif B. Ekici; Bernhard Volz; Sabrina Uhrig; Diana Lüftner; Markus Wallwiener; Volkmar Müller; Erik Belleville; Michael Untch; Hans-Christian Kolberg; Matthias W. Beckmann; André Reis; Arndt Hartmann; Wolfgang Janni; Pauline Wimberger; Florin-Andrei Taran; Tanja N. Fehm; Diethelm Wallwiener; Sara Y. Brucker; Andreas Schneeweiss; Andreas D. Hartkopf; and Fergus J. Couch (2021) Mutations in BRCA1/2 and Other Panel Genes in Patients With Metastic Breast Cancer – Association With Patient and Disease Characteristics and Effects on Prognosis. Online verfügbar unter https://doi.org/10.1200/JCO.20.01200
Huebner, Hanna; Kurbacher, Christian M.; Kuesters, Geoffrey; Hartkopf, Andreas D.; Lux, Michael P.; Huober, Jens; Volz, Bernhard; Taran, Florin-Andrei; Overkamp, Friedrich; Tesch, Hans; Häberle, Lothar; Lüftner, Diana; Wallwiener, Markus; Müller, Volkmar; Beckmann, Matthias W.; Belleville, Erik; Ruebner, Matthias; Untch, Michael; Fasching, Peter A.; Janni, Wolfgang; Fehm, Tanja N.; Kolberg, Hans-Christian; Wallwiener, Diethelm; Brucker, Sara Y.; Schneeweiss, Andreas; Ettl, Johannes (2020): Heregulin (HRG) assessment for clinical trial eligibility testing in a molecular registry (PRAEGNANT) in Germany. In: BMC Cancer 20 (1091). Online verfügbar unter bmccancer.biomedcentral.com/articles/10.1186/s12885-020-07546-1.
Volz, Bernhard (2020): Michel, Laura L.; Hartkopf, Andreas D.; Fasching, Peter A.; Kolberg, Hans-Christian; Hadji, Peyman; Tesch, Hans; Häberle, Lothar; Ettl, Johannes; Lüftner, Diana; Wallwiener, Markus; Müller, Volkmar; Beckmann, Matthias W.; Belleville, Erik; Volz, Bernhard; Huebner, Hanna; Wimberger, Pauline; Hielscher, Carsten; Mundhenke, Christoph; Kurbacher, Christian; Wuerstlein, Rachel; Untch, Michael; Overkamp, Friedrich; Huober, Jens; Janni, Wolfgang; Taran, Florin-Andrei; Lux, Michael P.; Wallwiener, Diethelm; Brucker, Sara Y.; Schneeweiss, Andreas; Fehm, Tanja N. (2020): Progression-Free Survival and Overall Survival in Patients with Advanced HER2-Positive Breast Cancer Treated with Trastuzumab Emtansine (T-DM1) after Previous Treatment with Pertuzumab. In: Cancers 12 (10), 3021. Online verfügbar unter doi.org/10.3390/cancers12103021.
© 2022 Hochschule Ansbach