Weiterentwicklung der Kernel-Deep-Stacking-Network-Methode zur verbesserten biomedizinischen Diagnose- und Prognose-Erstellung

• Antragsteller: Professor Dr. Matthias Schmid
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik
• Förderung: Förderung von 2018 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 394342018

Kernel-Deep-Stacking-Networks (KDSN) sind ein überwachtes statistisches Lernverfahren aus der Klasse der Deep-Learning-Methoden, welche seit einigen Jahren zunehmend für die biomedizinische Diagnose- und Prognoseerstellung verwendet werden. Beispiele sind die Erstellung von ophthalmologischen Diagnosen aus retinalen Bilddaten, die Prädiktion von Spleißmustern in Gewebe und die Klassifikation/Prädiktion von neurologischen Erkrankungen.Im Vergleich zu vielen anderen Deep-Learning-Methoden haben KDSN den Vorteil einer massiv verkürzten Laufzeit, da sie nicht auf dem Back-Propagation-Algorithmus zur Schätzung der Netzwerkparameter beruhen, sondern mehrere - zeiteffizient anzupassende - Kernel-Ridge-Regressionsmodelle hintereinander schalten. Die Effizienz von KDSN ermöglicht biomedizinischen ForscherInnen damit den Einsatz einer Deep-Learning-Architektur ohne zwingende Nutzung von spezialisierten Cloud- oder GPU-basierten IT-Forschungsumgebungen. Im Rahmen von Vorarbeiten wurden KDSN von der Arbeitsgruppe des Antragstellers in R implementiert und ein datengesteuertes Verfahren zur Optimierung der KDSN-Tuning-Parameter konzipiert & publiziert.Gegenstand des nun beantragten Projekts sind mehrere hochrelevante Erweiterungen von KDSN, die aktuell noch bestehende Einschränkungen der Methode hinsichtlich ihrer breiten Anwendbarkeit im biomedizinischen Anwendungskontext adressieren. In den Arbeitspaketen des Projekts sollen insbesondere (i) Variablenselektionsverfahren, (ii) KDSN-Erweiterungen für zensierte Zielgrößen, (iii) Strategien zur Dimensionsreduktion, (iv) KDSN-Ensemble-Methoden und (v) Drop-Out-Regularisierungsverfahren für KDSN konzipiert, implementiert und analysiert werden. Neben der Durchführung von Simulationsstudien sollen alle methodischen Entwicklungen auf ihre Praxistauglichkeit in realen biomedizinischen Anwendungen getestet werden, z.B. mit Hilfe der Analyse von umfangreichen ophthalmologischen Bilddaten und der Analyse von longitudinalen epidemiologischen Studiendaten.

• DFG-Verfahren: Sachbeihilfen