Lernstrategien Zur Automatisierten Anwendung Kunstlicher Neuronaler Netzwerke in Der Medizin

Sowohl fur die Evaluation medizinischer Daten als auch fur die Entscheidungsunterstutzung in der Medizin werden in zunehmendem Masse kunstliche neuronale Netzwerke (KNN) eingesetzt. Obgleich KNN viele faszinierende Eigenschaften besitzen, mussen ihre zahlreichen Struktur- und Lernparameter problemspezifisch festgelegt werden, was den breiten Einsatz neuronaler Netzwerke in den medizinischen Fachgebieten erschwert. Die vorliegende Arbeit beschreibt einen neuen Ansatz, der vorbeschriebene und neu entwickelte Lernstrategien umfasst, welche die Lernphase eines KNN weitgehend automatisieren und einen Experten entbehrlich machen. Dieser Ansatz soll zugleich robust sein, mit hoher Genauigkeit klassifizieren und eine schnelle Konvergenz ermoglichen. In Benchmark basierten Vergleichen zeigt sich, dass ein automatisiertes Antrainieren von KNN fur Klassifikationsprobleme unterschiedlicher Grosse und Komplexitat moglich ist, die Klassifikationsgenauigkeit manuell optimierter KNN wird dabei sogar ubertroffen. In Anbetracht der Zunahme elektronisch verfugbarer Daten ebenso wie der algorithmischen und technischen Fortschritte wird der automatisierten Datenanalyse zukunftig eine wachsende Bedeutung zukommen. Die vorliegende Arbeit unterstreicht das Potential kunstlicher neuronaler Netzwerke.