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.

Kontakt

Mitglieder

Georgios AntonopoulosGebäude 15.2 / Raum 318+49 2461/61-8785
Dr. Daouia LarabiGebäude 14.6y / Raum 2035+49 2461/61-85859
Dr. Federico RaimondoGebäude 14.6y / Raum 2049+49 2461/61-96083
Dr. Amir OmidvarniaNoneGebäude 15.2v / Raum 234+49 2461/61-8785
Nicolas NietoNoneGebäude 14.6y / Raum 2049+49 2461/61-96083
Vera KomeyerGebäude 15.2 / Raum 312+49 2461/61-1521
Leonard SasseGebäude 15.2v / Raum 234+49 2461/61-8785
Sami HamdanGebäude 15.2 / Raum 419+49 2461/61-8785
Shammi MoreGebäude 14.6y / Raum 3049+49 2461/61-96116
Kimia NazarzadehNoneGebäude 15.2v / Raum 234+49 2461/61-8785
Lucy WiedermannNoneGebäude 14.6y / Raum 2035+49 2461/61-85859
Xinyi WangNoneGebäude 15.2 / Raum 208+49 2461/61-8785
Jinyang YuNoneGebäude 14.6y / Raum 2038+49 2461/61-1521
Tobias MugangaGebäude 14.6y / Raum 2038+49 2461/61-1521
Synchon MandalNoneGebäude 14.6y / Raum 2049+49 2461/61-96083

Alumni

Xiaojin LiuGebäude 15.2 / Raum 417+49 2461/61-85333
Dr. Niels ReuterNoneGebäude 14.6y / Raum 3040+49 2461/61-96095
Letzte Änderung: 18.11.2022