Neuronale Netzwerke und Deep Learning

Unsere Statistik

Wir nutzen hochentwickelte Methoden des Deep Learning und der neuronalen Statistik. Diese Methoden ermöglichen ein unbeaufsichtigtes maschinelles Lernen, das unabhängig von externen Eingriffen relevante Ergebnisse liefern kann. Die Ergebnisse werden mithilfe verschiedener Klassifizierungsalgorithmen ausgewertet, d.h. mit Methoden und Kriterien zur Einteilung von Objekten (in unserem Fall Patienten) in Klassen (hier z. B. Subgruppen von Prädiabetikern oder Diabetikern). Die hohe Wirksamkeit unseres Ansatzes wurde durch unsere statistischen Ergebnisse bestätigt, bei denen die Ergebnisse regelmäßig p-Werte unter 0,0001 erreichen.

Methoden

Die Klassifizierung basiert auf selbstorganisierenden Karten (SOMs), also nichtlinearen, parallelen, robusten und fehlertoleranten neuronalen Netzen. Selbstorganisierende Karten (SOM) sind künstliche neuronale Netze, die mittels unüberwachtem Lernen eine topologische Darstellung des Eingaberaums (in unserem Fall Patientendaten) ermöglichen. Der Lernalgorithmus generiert automatisch Klassifikatoren, durch die er die Eingabedaten in nicht vorab erkennbare Cluster unterteilt. SOMs werden neben dem Clustering auch zur Visualisierung komplexer Beziehungen, zur Vorhersage, Bewertung, Modellierung und Datenexploration verwendet. Um die Modelle weiter zu validieren und die Bedeutung der mRNAs für die verschiedenen Klassifizierungsmodelle zu berechnen, verwenden wir RBF-Netzwerke und andere Vorhersagemodelle wie MLPs, logistische Regression und Quinlans Entscheidungsbaum. Wo sinnvoll und machbar, nutzen wir adaptives Boosting nach den Methoden von Shapire und Freund.