Maschinelles Lernen und Kernel-Methoden verbessern medizinische Bildgebung
Die Behandlung von Osteoarthritis und Brustkrebs verursacht enorme sozioökonomische Kosten. Zwar könnten bessere Früherkennungsmethoden die Prognose und Lebensqualität deutlich verbessern, allerdings sind solche Erkrankungen mit medizinischer Bildgebung noch nicht bei allen Patienten zuverlässig nachweisbar, da die Methoden ungenau und das Gewebe meist heterogen ist. Dieser Problematik stellte sich daher das Projekt AKMI (Advanced kernel-methods for medical imaging). AKMI-Forscher untersuchten verschiedene Lernarchitekturen, u.a. hierarchische Kernelmethoden, RBM (restricted Boltzmann machines) und CNN (convolutional neural networks). Vor allem RBM-Methoden bewährten sich bei der Mustererkennung, da sie die Bausteine künstlicher mehrschichtiger neuronaler Netze (deep belief networks) sind. Weiterhin wurden kernelbasierte Lernalgorithmen wie SVM (Support Vector Maschinen) eingesetzt und analysiert. Ein Forschungsbeitrag erörtert das Risiko der Überformatierung bei ungeeigneten Modellen und entsprechende Gegenmaßnahmen. Ein weiterer Projekterfolg waren neue Strategien für Modellvergleiche und -auswahl, die 2015 im Journal of Machine Learning Research erschienen. Mit linearen Klassifikatoren wie SVM und Rho-Margin-Verlust wurde bewiesen, dass die Minimierung eines grundlegenden Margin Bounds NP-schwer ist. Mit Hash-Algorithmen wurden zudem Kernel-Methoden zur Berechnung von Ähnlichkeiten bei Satz und Bitketten beschleunigt. AKMI setzte die maschinellen CNN-Lernalgorithmen für die effiziente 3D-Bildgebung bei Arthrose und zur Diagnose des Knorpelabbaus ein. Die CNN-Methoden liefern genauere Ergebnisse für die Diagnose von Arthrose als das Standardverfahren MRT, und ähnliche Ergebnisse bei der Ermittlung des Brustkrebsrisikos. Die AKMI-Studie bewies, dass maschinelle Lernmethoden zur Mustererkennung und -analyse die medizinische Bildanalyse deutlich verbessern können, sodass die Instrumente im klinischen Patientenmanagement Diagnose und Behandlungsbeginn beschleunigen und den Therapieerfolg verbessern können.
Schlüsselbegriffe
Kernel, medizinische Bildgebung, maschinelles Lernen, Osteoarthritis, Brustkrebs, AKMI