This title appears in the Scientific Report :
2022
Verständnis und Vorhersage: maschinelles Lernen longitudinaler Phänotypen
Verständnis und Vorhersage: maschinelles Lernen longitudinaler Phänotypen
Die Optimierung von Verfahren der künstlichen Intelligenz zur Vorhersage von klinischen oder neuropsychologischen Phänotypen auf der Basis funktioneller und struktureller MRT-Aufnahmen stellt ein sehr dynamisches und intensiv bearbeitetes Forschungsfeld dar. Dabei wird jedoch oft übersehen, dass die...
Saved in:
Personal Name(s): | Eickhoff, Simon (Corresponding author) |
---|---|
Contributing Institute: |
Gehirn & Verhalten; INM-7 |
Imprint: |
2022
|
Conference: | DGPPN Kongress, Berlin (Germany), 2022-11-23 - 2022-11-23 |
Document Type: |
Conference Presentation |
Research Program: |
Brain Dysfunction and Plasticity |
Publikationsportal JuSER |
Die Optimierung von Verfahren der künstlichen Intelligenz zur Vorhersage von klinischen oder neuropsychologischen Phänotypen auf der Basis funktioneller und struktureller MRT-Aufnahmen stellt ein sehr dynamisches und intensiv bearbeitetes Forschungsfeld dar. Dabei wird jedoch oft übersehen, dass diese Phänotypen nicht zwingend a priori Kategorien folgen und oft nicht optimale Ziele für KI-Vorhersagen sind. So sind auf der einen Seite Summenscores oft zu breit und unspezifisch, da die selben Werte auf verschiedene Weise entstehen können. Auf der anderen Seite sind individuelle Items oft zu verrauscht und darüber hinaus oft auch zu grob skaliert. Der Schwerpunkt dieses Vortrags liege daher auf der Vorstellung von Verfahren und Anwendungen des maschinellen zur Optimierung von Phänotypen. |