Suche

zur Hauptseite

Institut für Neurowissenschaften und Medizin
(leer)

Navigation und Service


Angewandtes Maschinenlernen

Gruppenleiter: Dr. Kaustubh Patil

AG Kaustubh

Der technologische Fortschritt ermöglicht eine immer schnellere Datenerhebung. Dies gilt für viele wissenschaftliche Bereiche, einschließlich der Neurowissenschaften, wo strukturelle und funktionelle Hirnbilddaten für Zehntausende von Probanden zur Verfügung stehen. Das wirft die Frage auf, wie solche großen Datensätze effizient und effektiv in Erkenntnisse umgewandelt werden können, die dabei helfen, das Gehirn besser zu verstehen und Vorhersagen zu machen, die klinische Entscheidungen beeinflussen können. Das maschinelle Lernen bietet eine Fülle von Instrumenten um solche Fragen anzugehen. Wichtig ist, dass das maschinelle Lernen Vorhersagen auf individueller Ebene liefern kann, die, im Gegensatz zu den traditionelle verwendeten Gruppenanalysen, dabei helfen, individuelle Unterschiede zu verstehen. Das maschinelle Lernen ist ein riesiger Werkzeugkasten, der eine Vielzahl von Optionen bei der Erstellung einer Vorhersage-Pipeline bietet, einschließlich der Wahl der Datenrepräsentation und der Lernalgorithmen. Der Erfolg einer Machine-Learning Pipeline hängt davon ab, die richtigen Entscheidungen zu treffen.

Die Gruppe „Angewandtes Maschinenlernen“ unter der Leitung von Dr. Kaustubh Patil, entwirft und bewertet maschinelle Lernalgorithmen und Pipelines. Zu den Anwendungsgebieten gehören psychische Gesundheit und psychiatrische Erkrankungen sowie das grundlegende Verständnis von der Struktur, Funktion und Entwicklung des Gehirns. Die Gruppe nutzt Daten der neuronalen Bildgebung und Verhaltensdaten, die entweder öffentlich verfügbar sind oder intern erhoben wurden. Beispiele für Projekte sind:

  • Vorhersage des Hirnalters: bei Patienten, die unter neurodegenerativen Erkrankungen leiden, weicht das chronologische Alter von dem biologischen Alter ab. Dieser Unterschied kann als Biomarker dienen.
  • Subtypisierung von Krankheiten: Identifizierung von Krankheits-Subtypen (z.B. Schizophrenie oder Parkinson) anhand von Daten des Verhaltens und der neuronalen Bildgebung mit Anwendungen in der Präzisionsmedizin.
  • Parzellierung: Identifizierung regionaler Unterteilungen innerhalb von Hirnregionen, die eine unterschiedliche Konnektivität aufweisen, mit Schwerpunkt auf klinischen Anwendungen.

Die Gruppe arbeitet auch an Problemen des maschinellen Lernens mit dem Ziel, sowohl allgemeine Methoden zur Datenrepräsentation als auch problemspezifische Algorithmen zu entwickeln, die gut verallgemeinern können. Darüber hinaus leistet die Gruppe eine wichtige Unterstützung für das gesamte INM-7 bei der Datenanalyse und -modellierung.

Angewandtes Maschinenlernen


Servicemenü

Homepage