Abstract
Methoden des maschinellen Lernens haben über die letzten Jahrzehnte beeindruckende technologische Fortschritte ermöglicht und haben das Potenzial, viele Aspekte unseres Lebens nachhaltig zu verändern. Besonders vielversprechend ist maschinelles Lernen im Gesundheitsbereich. Hier kann es unser Verständnis immer komplexerer Gesundheitsdaten vertiefen, Prozesse wie Diagnostik und Risikoeinschätzung beschleunigen sowie deren Objektivität erhöhen, und eine personalisiertere medizinische Versorgung ermöglichen. Zugleich steht maschinelles Lernen im Gesundheitsbereich vor besonderen Herausforderungen. Gesundheitsdaten sind häufig zeitabhängig und heterogen, über mehrere Institutionen verteilt und nur in begrenztem Umfang für spezifische Modellierungsanwendungen zugänglich. Infolgedessen erfordert das maschinelle Lernen für den Gesundheitsbereich grundsätzlich robuste Methoden, die für heterogene und im Umfang begrenzte Daten geeignet sind, sowie besonders auf die jeweilige Anwendung zugeschnittene Modelle. Diese Dissertation umfasst Beiträge zu beiden dieser Aspekte. Sie enthält neue Methoden zur unüberwachten Domänenadaptation, die speziell für hochdimensionale molekulare Gesundheitsdaten entwickelt wurden und eine genauere Vorhersage über heterogene Datensätze hinweg ermöglichen. Als konkretes Anwendungsbeispiel wurden diese Methoden auf das Problem der Altersvorhersage basierend auf DNA-Methylierungsdaten über Gewebe hinweg angewandt. Im Vergleich zu einem nicht-adaptiven Referenzmodell verbesserten sie hierbei die Vorhersage auf einem Gewebe, das nicht zum Trainieren der Modelle verwendet wurde. Zusätzlich enthält diese Dissertation robuste Modelle zur Analyse von Daten einer frühen klinischen Studie, die die Verwendung von breitneutralisierenden Antikörpern zur Behandlung von HIV untersuchte. Hier wurden Modelle und Methoden gewählt, die trotz des begrenzten Stichprobenumfangs Heterogenität zwischen Patientengruppen berücksichtigen konnten. Ein weiterer anwendungsspezifischer Beitrag war die Entwicklung robuster Modelle zur zeitabhängigen Vorhersage der Mortalität sowie einer Cytomegalievirus-Reaktivierung nach hämatopoetischer Stammzelltransplantation. Diese Modelle wurden in einer prospektiven, nicht-interventionellen klinischen Studie validiert und generierten in einem Pilot-Vergleich eine ähnliche genaue Vorhersage wie die Einschätzung erfahrener Kliniker. Zusätzlich unterstützte diese Dissertation die Entwicklung der XplOit-Plattform, einer Software-Plattform, die robustes maschinelles Lernen für den Gesundheitsbereich durch die semantische Integration heterogener Daten erleichtert.
Author and committee
dc:creator, dc:contributor.*- Author
-
- Eisenberg, Lisa
Identifiers
dc:identifier.*- Identifier
- hdl:10900/135158