Angewandtes Maschinelles Lernen

Mitglieder der AML Gruppe: Zarah Khosravi, Shammi More, Ji Chen, Kaustubh Patil, Xiaojin Liu, Daouia Larabi, Niels Reuter

Über

Der technologische Fortschritt ermöglicht eine immer schnellere Datenerfassung. Dies gilt für viele wissenschaftliche Bereiche, einschließlich der Neurowissenschaften, wo strukturelle und funktionelle Bildgebungsdaten des Gehirns jetzt für Zehntausende von Probanden verfügbar sind. Dies wirft die Frage auf, wie diese großen Datenmengen effizient und effektiv in Erkenntnisse umgewandelt werden können, um unser Verständnis des Gehirns zu verbessern, sowie in Voraussichten, die klinische Entscheidungen beeinflussen können. Auf maschinellem Lernen basierende Analysen bieten eine Fülle von Tools, um solche Fragen anzugehen. Wichtig ist, dass maschinelles Lernen im Gegensatz zu den traditionell verwendeten Gruppenanalysen Vorhersagen auf individueller Ebene liefern kann, die helfen können, individuelle Unterschiede zu verstehen. Maschinelles Lernen ist eine riesige Toolbox, die beim Einrichten einer Vorhersage-Pipeline eine Vielzahl von Optionen bietet, einschließlich Auswahlmöglichkeiten für die Datendarstellung und Lernalgorithmen. Der Erfolg einer Pipeline für maschinelles Lernen hängt entscheidend davon ab, die richtigen Entscheidungen zu treffen.

Forschungsthemen

Die Gruppe „Applied Machine Learning“ unter der Leitung von Dr. Kaustubh Patil konzentriert sich auf das Design und die Evaluierung von Machine-Learning-Algorithmen und -Pipelines. Die Anwendungsgebiete umfassen psychische Gesundheit und psychiatrische Erkrankungen sowie das grundlegende Verständnis von Gehirnstruktur, -funktion und -entwicklung. Die Gruppe stützt sich auf Neuroimaging- und Verhaltensdaten, die entweder öffentlich zugänglich sind oder intern erworben wurden. Beispielprojekte sind:

Vorhersage des Gehirnalters: Bei Patienten mit neurodegenerativen Erkrankungen kann das chronologische Alter vom biologischen Alter des Gehirns abweichen. Dieser Unterschied kann als Biomarker dienen.

Störungssubtypisierung: Identifizierung von Störungssubtypen (z. B. Schizophrenie und Parkinson) aus Verhaltens- und Neuroimaging-Daten mit Anwendungen in der Präzisionsmedizin.

Parzellierung: Identifizierung regionaler Unterteilungen innerhalb von Gehirnregionen, die eine unterschiedliche Konnektivität aufweisen, mit einem Schwerpunkt auf klinische Anwendungen.

Die Gruppe arbeitet auch an maschinellen Lernproblemen mit dem Ziel, allgemeine Methoden zur Datenrepräsentation sowie problemspezifische Algorithmen zu entwickeln, die gut verallgemeinern können. Darüber hinaus leistet die Gruppe wichtige Unterstützung für das gesamte INM-7 bei der Datenanalyse und Modellierung.