Article
Methoden des maschinellen Lernens
Search Medline for
Authors
-
Inke R. König
- Institut für Medizinische Biometrie und Statistik, Universtität zu Lübeck, Lübeck, DE
| Published: | August 27, 2013 |
|---|
Outline
Text
Methoden des maschinellen Lernens sind von zunehmender Bedeutung in verschiedenen Bereichen biomedizinischer Forschung (siehe z.B. Übersichten von Austin et al. (2013) [1], Boulesteix et al. (2012) [2], Dasgupta et al. (2011) [3], Melville et al. (2009) [4] und Sun (2010 [5]). Entsprechend erfahren sie ständige Erweiterungen in Algorithmen und Implementation.
Dieser Workshop beschäftigt sich im ersten Teil mit neuen theoretischen Entwicklungen. Speziell wird im ersten Beitrag ausführlich dargestellt, wie in Verfahren des maschinellen Lernens analog zu klassischen biostatistischen Methoden Wahrscheinlichkeiten geschätzt werden können. Der zweite Beitrag befasst sich mit der Konstruktion von Bäumen für diskret gemessene Überlebenszeiten.
Im zweiten Teil soll der Schwerpunkt auf konkreten Anwendungen von Methoden des maschinellen Lernens liegen. Hierbei werden im ersten Beitrag Zufallswälder zur Qualitätskontrolle von Daten des „Next Generation Sequencing“ verwendet. Der zweite Beitrag stellt die Verwendung von Support-Vector-Maschinen zur Analyse von Daten aus der funktionellen Magnetresonanztomographie (fMR) dar. Der dritte Beitrag schließlich schlägt wieder die Brücke zu klassischen biostatistischen Methoden, in dem Zufallswälder mit regularisierter Regression zur Entdeckung von Interaktionen in hochdimensionalen Daten verglichen werden.
Im Einzelnen werden folgende Themen vorgestellt und diskutiert:
- Wahrscheinlichkeitsschätzung für binäre und multikategorielle Endpunkte mit Verfahren des maschinellen Lernens
A. Ziegler, J. Kruppa, T. Holste (Institut für Medizinische Biometrie und Statistik, Universität zu Lübeck, Universitätsklinikum Schleswig-Holstein, Campus Lübeck, Lübeck) - Survival trees for discrete failure times
M. Schmid (Friedrich-Alexander-Universität Erlangen-Nürnberg, Erlangen) - Quality control of next generation sequencing data using random forests as probability machines
S. Szymczak1,2, H. Ling3, T.H. Beaty4, J.E. Bailey-Wilson2 (1Christian-Albrechts-Universität zu Kiel, 2National Human Genome Research Institute, NIH, Baltimore, 3Center for Inherited Disease Research, Johns Hopkins University, Baltimore, 4Department of Epidemiology, Johns Hopkins University, Baltimore) - Advances and caveats in machine-learning approaches on resting-state fMRI connectomes
N. Scheel, A. Madamy (Universität zu Lübeck, Lübeck) - Integration von Interaktionen in Regressionsmodellen für hochdimensionale molekulare Daten
H. Binder, M. Sariyar, I. Hoffmann (Universitätsmedizin der Johannes-Gutenberg-Universität Mainz, Mainz)
Literatur
- 1.
- Austin PC, Tu JV, Ho JE, Levy D, Lee DS. Using methods from the data-mining and machine-learning literature for disease classification and prediction: a case study examining classification of heart failure subtypes. J Clin Epidemiol. 2013; 66: 398-407.
- 2.
- Boulesteix AL, Janitza S, Kruppa J, König IR. Overview of random forest methodology and practical guidance with emphasis on computational biology and bioinformatics. WIREs Data Mining Knowl Discov. 2012; 2: 493-507.
- 3.
- Dasgupta A, Sun YV, König IR, Bailey-Wilson JE, Malley JD. Brief review of regression-based and machine learning methods in genetic epidemiology: the Genetic Analysis Workshop 17 experience. Genet Epidemiol. 2011; 35: S5-11.
- 4.
- Melville JL, Burke EK, Hirst JD. Machine learning in virtual screening. Comb Chem High Throughput Screen. 12: 332-43.
- 5.
- Sun YV. Multigenic modeling of complex disease by random forests. Adv Genet. 2010; 72: 73-99.
