Transferlernen in der Biomedizin
- PDF / 377,209 Bytes
- 3 Pages / 595.22 x 842 pts (A4) Page_size
- 70 Downloads / 165 Views
B I O T ECH NOLOGIE
Künstliche Intelligenz
Transferlernen in der Biomedizin PATRICK SIMON STUMPF, LISA-KATRIN SCHÄTZLE, ANDREAS SCHUPPERT JOINT RESEARCH CENTER FOR COMPUTATIONAL BIOMEDICINE, RWTH AACHEN
Machine learning is commonly employed to extract meaningful information from large and complex data. In situations where only scant data is available, algorithms can leverage abundant data from a separate (unrelated) context to address the learning problem. Here, we present two recently developed biomedical applications that take advantage of transfer learning to bridge the gap from model systems to human: single-cell label transfer and drug response prediction in patients. DOI: 10.1007/s12268-020-1459-2 © Die Autoren 2020
ó Der Erfolg künstlicher Intelligenz (KI) durchdringt inzwischen viele Bereiche des täglichen Lebens. So haben beispielsweise die persönlichen Assistenten auf dem Smartphone und zu Hause ein umfangreiches Funktionsspektrum erreicht, das über Spracherkennung auch komplexe Vorgänge
erleichtert, z. B. das Erstellen von Kalendereinträgen bis zur Übersetzung zwischen Sprachen. Dahinter steht im Allgemeinen ein Algorithmus, der nicht allein von der Spracheingabe eines einzelnen Nutzers lernt, sondern von der Vielzahl an Nutzern, die täglich Millionen Mal den Sprachassistenten nutzen. Was man sich hier zunutze macht, ist ein Beispiel für Transferlernen (TL). Der Algorithmus erlernt, mithilfe einer umfangreichen Datenbank, gesprochene Anweisungen in sinnvolle Suchmuster zu übertragen, die automatisiert verarbeitet werden können. Um auch einen neuen Nutzer gut zu verstehen, werden (mithilfe einiger weniger Eingaben des neuen Nutzers) Anpassungen im ursprünglich erlernten Modell vorgenommen. Zusammengefasst findet das maschinelle Lernen (ML) also in einer Ursprungsdomäne statt,
gefolgt von einer Anpassung an die Zieldomäne unter Nutzung weniger zusätzlicher Beispiele. Im Bereich der Biomedizin sind bildgebende Verfahren populär. Um aus Bildern Informationen zu extrahieren, können Algorithmen zur Bilderkennung von Abbildungen lernen, die zunächst nichts mit dem Anwendungsbereich der Medizin zu tun haben (z. B. Bilder von Objekten und Personen). Mithilfe von TL können die dadurch erworbenen Fähigkeiten genutzt werden, um komplexere medizinische Zusammenhänge zu erlernen. Dazu wird die Modellarchitektur minimal angepasst, damit sie sich für die neue Fragestellung eignet. Bei künstlichen neuronalen Netzwerken kann dies häufig allein durch den Austausch der künstlichen Neuronen in der letzten Netzwerkschicht erreicht werden [1]. Gleichzeitig werden jedoch der Hauptteil des Modells und seine Parameter eingefroren, also nicht weiter verändert. Lediglich die Parameter der ersetzten, letzten Schicht werden mithilfe von (meist nur wenigen) Beispielen aus der Zieldomäne neu trainiert (Abb. 1). Von Bedeutung ist hier, dass das Modell nicht die Trainingsbeispiele memoriert, sondern systematisch komplexe Merkmale (z. B. Gewebestrukturen oder Zelltypen) zu erkennen lernt, die sich wiederum aus weniger komplexen Merkma
Data Loading...
