Bayerisches Forschungsinstitut für Digitale Transformation (bidt) der Bayerischen Akademie der Wissenschaften
Von Daten zu Erkenntnissen im Zeitalter der Gesundheitsinformationen: Interpretierbares maschinelles Lernen mit stückweise konstanten Modellen
Das Projekt zielt darauf ab, die Anwendung von maschinellem Lernen im Gesundheitswesen zu verbessern. Der Schwerpunkt liegt auf der Erstellung von Modellen, die nicht nur genaue Vorhersagen liefern, sondern auch interpretierbar und leicht verständlich sind. Dies ist besonders wichtig im Gesundheitswesen, wo Entscheidungen transparent und nachvollziehbar sein müssen.
Im Mittelpunkt des Projekts stehen “Piecewise Constant Models”, insbesondere Entscheidungsbäume und Change-Point-Modelle. “Piecewise Constant Models” sind mathematische Techniken, die komplexe Zusammenhänge in einfacher Form darstellen. Entscheidungsbäume und Change-Point-Modelle helfen bei der Analyse von Daten, beispielsweise um Entscheidungen zu treffen oder Veränderungen in Datenmustern zu erkennen. Entscheidungsbäume sind ein grundlegender Bestandteil vieler Techniken des maschinellen Lernens und eignen sich besonders für tabellarische Daten wie Patientenakten und genetische Daten. Sie bieten jedoch nur dann eine hohe Vorhersagekraft, wenn mehrere Entscheidungsbäume zu Ensembles wie Random Forests oder Boosting-Methoden kombiniert werden. Diese Kombination erhöht zwar die Komplexität, führt jedoch oft zu einem Verlust an Interpretierbarkeit. Das Projekt zielt darauf ab, Ansätze zu entwickeln, die diese Modelle so anpassen, dass sie verständlich bleiben und gleichzeitig personalisierte Vorhersagen liefern. Darüber hinaus sollen Change-Point-Modelle optimiert werden, die für sequenzielle Daten wie zeitabhängige Vitalparameter oder genetische Informationen verwendet werden, um die Interpretierbarkeit auch bei hochdimensionalen Datensätzen zu gewährleisten. Dies ist unerlässlich, um spezifische Veränderungen im Gesundheitszustand eines Patienten oder in genetischen Sequenzen zu erkennen.
Langfristig sollen solche interpretierbaren Modelle in der personalisierten Medizin eingesetzt werden, um maßgeschneiderte Behandlungsstrategien zu entwickeln.