Navigation

Springe zum Hauptinhalt
Fakultät für Informatik
Informatik-Kolloquien

Informatik-Kolloquien

308. Informatik-Kolloquium

Probevorlesung im Rahmen des Habilitationsverfahrens

Herr Dr.-Ing. Carsten Ullrich

"Maschinelles Lernen zur Analyse von Life Science Daten"

Montag, 20.01.2020
15:30 Uhr, Straße der Nationen 62, Böttcher-Bau, 1/336
 
Alle interessierten Personen sind herzlich eingeladen!

Abtsract:
Maschinelles Lernen, insbesondere tiefes Lernen („Deep Learning“), birgt das Potential, das das Verständnis biologischer Systeme und damit auch das Gesundheitswesen grundlegend zu verändern. Heutige Methoden der Life Science, beispielsweise DNA-Sequenzierung, erzeugen riesige Datenmengen, die nur noch über maschinelle Verfahren auswertbar sind. Gleichzeitig zeigen beeindruckende Erfolge in bildgebendes Verfahren mit dem Menschen vergleichbare oder gar bessere Ergebnisse in der Erkennung von Tumoren.
Diese Vorlesung gibt eine Einführung in die Grundlagen des maschinellen Lernens im Anwendungsbereich Life Science, beginnend mit den Charakteristika von Life Science Daten über spezifische Verfahren des maschinellen Lernens bis hin zu relevanten ethischen Fragestellungen:
Daten: Life Science umfasst eine große Menge unterschiedlichster Daten (genomische, proteomische, metabolomische bis hin zu klinischen Patientendaten), die jeweils unterschiedliche Herausforderungen für maschinelle Lernverfahren bieten: Klinische Daten (Patienteninformationen) sind oft unstrukturiert, genetische Daten sogenannte „wide data“, mit Millionen von Features.
Maschinelles Lernen: Verfahren des maschinellen Lernens lassen sich auf eine Vielzahl von biomedizinischen Problemen anwenden. Wir betrachten Patientenklassifizierung (Diagnose); Erkenntnisgewinn zu grundlegenden biologischen Prozessen; und Behandlung von Patienten (Entscheidungen zu medizinische Interventionen, personalisierte Medizin).
Ethische Fragestellungen: Maschinelles Lernen benötigt in der Regel sehr große Datensätze. Jedoch sind die Daten der Life Science insbesondere wenn es Krankheitsdiagnose und –heilung betrifft besonders schützenswert. Zusätzlich unterliegen zugrundeliegende Daten oft Verzerrungen, beispielsweise basierend auf Unterschiede in den Populationsabstammungen.

Presseartikel