Lernstrategien zur automatisierten Anwendung künstlicher neuronaler Netzwerke in der Medizin

Sowohl für die Evaluation medizinischer Daten als auch für die Entscheidungsunterstützung in der Medizin werden in zunehmendem Maße künstliche neuronale Netzwerke (KNN) eingesetzt. Obgleich KNN viele faszinierende Eigenschaften besitzen, müssen ihre zahlreichen Struktur- und Lernparameter problemspezifisch festgelegt werden, was den breiten Einsatz neuronaler Netzwerke in den medizinischen Fachgebieten erschwert. Die vorliegende Arbeit beschreibt einen neuen Ansatz, der vorbeschriebene und neu entwickelte Lernstrategien umfasst, welche die Lernphase eines KNN weitgehend automatisieren und einen Experten entbehrlich machen. Dieser Ansatz soll zugleich robust sein, mit hoher Genauigkeit klassifizieren und eine schnelle Konvergenz ermöglichen. In Benchmark basierten Vergleichen zeigt sich, dass ein automatisiertes Antrainieren von KNN für Klassifikationsprobleme unterschiedlicher Größe und Komplexität möglich ist, die Klassifikationsgenauigkeit manuell optimierter KNN wird dabei sogar übertroffen. In Anbetracht der Zunahme elektronisch verfügbarer Daten ebenso wie der algorithmischen und technischen Fortschritte wird der automatisierten Datenanalyse zukünftig eine wachsende Bedeutung zukommen. Die vorliegende Arbeit unterstreicht das Potential künstlicher neuronaler Netzwerke.