explAInation
Das vorrangige Ziel dieses Projekts ist es, eine Systemarchitektur und Methoden zur Ableitung von Erklärungen aus CNN-Modellen zu entwickeln, um ein selbsterklärendes, für den Menschen verständliches neuronales Netzwerk zu erreichen. Der Anwendungsfall besteht in der Erkennung von Demenz und leichten kognitiven Beeinträchtigungen aufgrund der Alzheimer-Krankheit und der frontotemporalen lobären Degeneration in Magnetresonanztomographie-Daten (MRT).
Genauigkeit
Modelle für maschinelles Lernen müssen präzise sein, um plausible Erklärungen liefern zu können.
Wir validieren alle Modelle in eigenständigen Datensätzen, um ihre Leistung zu testen.
Fokus
Modelle für maschinelles Lernen müssen sich auf wesentliche Funktionen konzentrieren, die in einem kausalen Zusammenhang mit dem Ziel stehen und oft a priori bekannt sind. Relevanz-Karten helfen uns dabei, den Grad des Rauschens zu beurteilen und Verzerrungen in den Trainingsdaten zu erkennen.
Erklärung
Modelle maschinellen Lernens sollten eine Erklärung liefern, die den Entscheidungsprozess auf eine intuitive Weise beschreibt. Unser Ziel ist es, eine Systemarchitektur zu entwickeln, die relevante Informationen extrahieren und dynamisch beschreibende Erklärungen erzeugen kann.
Deep learning InteractiveVis
Martin Dyrba entwickelte 2020 eine faltungsbasierte neuronale Netzwerkarchitektur zur Erkennung der Alzheimer-Krankheit in MRT-Scans. Die diagnostische Leistung wurde in drei unabhängigen Kohorten validiert.
Aus den neuronalen Netzen können wir Relevanzkarten ableiten, die die Hirnareale mit einem hohen Beitragswert für die Diagnoseentscheidung anzeigen. Die mediale Temporallappenatrophie erwies sich als der relevanteste Bereich - was auch unseren Erwartungen entsprach, da das Hippocampus-Volumen der am besten etablierte Neuroimaging-Marker für die Alzheimer-Krankheit ist.
Projektleiter
