Probabilistische Lernansätze für komplexe Krankheitsverläufe auf der Grundlage hochdimensionaler MRT-Daten

• Antragstellerinnen: Professorin Dr. Nadja Klein; Professorin Dr. Kerstin Ritter
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Epidemiologie und Medizinische Biometrie/Statistik ; Klinische Neurologie; Neurochirurgie und Neuroradiologie ; Statistik und Ökonometrie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459422098

In diesem Projekt werden wir Methoden an der Schnittstelle von Statistischem Lernen und Deep Learning (DL) entwickeln, um aktuelle und zukünftige Krankheitsverläufe auf der Grundlage von hochdimensionalen Neurobildgebungsdaten, die mit der Magnetresonanztomographie (MRT) erhoben werden, zu modellieren, zu verstehen und vorherzusagen. Um (1) die vollständigen Verteilungen relevanter Krankeitsindikatoren einzelner Patient:innen auf der Grundlage von MRT-Daten sowie weiteren Variablen (wie klinischen oder demografischen Variablen) bei gleichzeitiger Quantifikation von Unsicherheit vorherzusagen und (2) die zeitliche Dynamik dieser Daten zu modellieren, werden wir DL Methoden mit Bayesianischer Statistik kombinieren und weiterentickeln. In Bezug auf (1) werden wir tiefe Verteilungsregressionsmodelle für uni- und multivariate, nicht-normalverteilte Krankheitindikatoren (z.B. Symptomschwere) bedingt auf die vorhandenen MRT Bilder sowie weitere klinische und demographische Variablen und Confounder entwickeln. In Bezug auf (2) werden wir DL-basierte Zustandsraummodelle entwickeln, um die komplexe zeitliche Entwicklung bei neurologischen Erkrankungen zu modellieren. Diese Modelle werden exemplarisch für zwei neurologische Krankheiten entwickelt und getestet, nämlich für die Alzheimer-Krankheit (AD) und Multiple Sklerose (MS), die durch unterschiedliche Verlaufsprofile charakterisiert sind.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5363: KI-FOR Integration von Deep Learning und Statistik zum Verständnis strukturierter biomedizinischer Daten