Neuronale Statistik

Unsere neuronale Statistik

Wir nutzen hochentwickelte Methoden des Deep Learning und der neuronalen Netzwerkstatistik. Diese Methoden ermöglichen ein unbeaufsichtigtes maschinelles Lernen, das unabhängig von Eingriffen des kontrollierenden Vorgesetzten relevante Ergebnisse liefern kann. Die Ergebnisse werden mithilfe verschiedener Klassifizierungsalgorithmen ausgewertet. Klassifizierungsverfahren sind Methoden und Kriterien zur Einteilung von Objekten (in unserem Fall Patienten) in Klassen (hier z. B. Typen und Subtypen von Prädiabetikern oder Diabetikern). Die hohe Wirksamkeit unseres Ansatzes wurde durch unsere statistischen Ergebnisse gezeigt, bei denen die Ergebnisse regelmäßig p-Werte unter 0,0001 erreichen. Die Flächen unter der ROC-Kurve (AUC) betragen typischerweise bis zu 0,95 und mehr.

Methoden

Die Klassifizierung basiert auf selbstorganisierenden Karten (SOMs), also nichtlinearen, parallelen, robusten und fehlertoleranten neuronalen Netzen. Selbstorganisierende Karten (SOM) sind Arten künstlicher neuronaler Netze mit einer unüberwachten Lernmethode mit dem Ziel, eine topologische Darstellung des Eingaberaums (in unserem Fall Patientendaten) zu erreichen. Der Lernalgorithmus generiert automatisch Klassifikatoren, nach denen er das Eingabemuster in bisher unbekannte Cluster unterteilt. SOMs werden zum Clustering, zur Visualisierung komplexer Beziehungen, zur Vorhersage, Bewertung, Modellierung und Datenexploration verwendet. Um die Modelle weiter zu validieren und die Bedeutung der Biomarker für die verschiedenen Klassifizierungsmodelle zu berechnen, verwenden wir RBF-Netzwerke und andere Vorhersagemodelle wie MLPs, logistische Regression und Quinlans Entscheidungsbaum. Wo nötig und machbar, nutzen wir adaptives Boosting nach den Methoden von Schapire und Freund.