Neuronale Netze im MALDI Imaging
Arbeitsgruppe: | AG Technomathematik |
Leitung: | Prof. Dr. Dr. h.c. Peter Maaß ((0421) 218-63801, E-Mail: pmaass@math.uni-bremen.de ) |
Bearbeitung: |
Dr. Jens Behrmann
Dr. Christian Etmann Dr. Tobias Boskamp Dr. Maximilian Schmidt ((0421) 218-63826, E-Mail: maximilian.schmidt@uni-bremen.de) |
Projektförderung: | DFG-Graduiertenkolleg π³ |
Projektpartner: | |
Laufzeit: | seit 01.10.2016 |
Bild: Verarbeitung eines Massenspektrums mit einem neuronalen Netz. Als Eingabe dient ein Rohspektrum (oben), welches danach in den Schichten des Netzwerkes schrittweise verarbeitet wird, um am Ende die Klassifikation unterschiedlicher Gewebetumore durchzuführen.
Inspiriert von der Funktionsweise der Informationsverarbeitung im menschlichen Gehirn sind künstliche neuronale Netze als mathematische Modelle entwickelt worden, um Zusammenhänge und komplexe Beziehungen innerhalb großer Datenmengen aufzudecken. Besonders im Laufe der letzten Jahre haben sogenannte „tiefe“ neuronale Netze, besser bekannt als „Deep Learning“, Bereiche wie die Bild- und Spracherkennung revolutioniert. Die Basis für diesen Erfolg liegt dabei in der enormen Anpassungsfähigkeit dieser komplexen Modelle, die in der Lage sind, ihre Funktionsweise anhand der vorliegenden Daten anzupassen.
Im Gegensatz zu diesen Anwendungsfeldern haben sich neuronale Netze in der Klassifikation von MALDI-Imaging-Spektren noch nicht durchgesetzt. Im Rahmen dieses Projekts wird aus diesem Grund untersucht, inwiefern die Architektur neuronaler Netze zur Verarbeitung von Massenspektren angepasst werden muss, um beispielsweise Gewebetumore klassifizieren zu können. Insbesondere diese Anwendung ist durch eine hohe Variabilität der Daten gekennzeichnet, aufgrund der hohen biologischen Diversität von Tumorgewebe sowie der durch die Messmethode bedingten Unsicherheiten in den Daten. Mittels modifizierter „Convolutional Neuronal Networks“ konnten hier bereits erste, vielversprechende Ergebnisse erzielt werden.
Ein weiterer Schwerpunkt ist die Entwicklung von robusten Trainingsverfahren, um neuronale Netze auf die angesprochene Diversität vorzubereiten. Besonders dieser Punkt ist anspruchsvoll, da die Klassifikation von Gewebetumoren für eine potentielle Anwendung in der Diagnostik einen hohen Grad an Genauigkeit erfordert.
Neben der Entwicklung von robusten und angepassten Methoden ist die Interpretierbarkeit von neuronalen Netzen ein Grundpfeiler für die erfolgreiche Anwendung in medizinischen Fragestellungen. Im Rahmen dieses Projektes wird dementsprechend der Frage nachgegangen, inwiefern die Funktionsweise dieser oftmals als „Black-Box-Modelle“ verstandenen neuronalen Netze aufgedeckt werden kann. Erste Ergebnisse zeigen hierbei, dass die rein datenbasiert trainierten neuronalen Netze automatisch auf aus der Histopathologie bekannte Biomarker reagieren.