Künstliche Intelligenz, Maschinelles Lernen und Große Datensätze (Big Data) beherrschen die Schlagzeilen und gewinnen gerade rasante Bedeutung in der Psychiatrie. Große Stichproben, longitudinal, tief phänotypisierte Patienten verschiedener Diagnosen versprechen neue Typologisierungen und individuelle Verlaufsprädiktion. In diesem Symposium sollen die wichtigsten Ansätze allgemeinverständlich dargestellt und anhand von ersten Beispielen mögliche Einsatzgebiete aufgezeigt werden. Die Implikationen werden kritisch diskutiert.
Kerstin Ritter, Berlin, adressiert die - oft kritisierte - Intransparenz maschineller Lernverfahren und stellt neue Ergebnisse vor, wie Visualisierungstechniken dabei helfen können, die Entscheidungen von Deep Learning-Verfahren nachvollziehbar zu machen. Potentiale und Herausforderungen in der klinischen Nutzung werden unter philosophischen Gesichtspunkten diskutiert.
Tim Hahn, Münster, stellt neue Ansätze zur personalisierten Vorhersage aus dem Bereich des Deep Learning auf MRT Daten auf Basis minimaler Datensätze vor und gibt einen Überblick über technische und sicherheitsrelevante Herausforderungen im Bereich computer-gestützter klinischer Entscheidungssysteme.
Danilo Bzdok, Aachen, wird sich folgenden Themen widmen: i) wie die Entdeckung hervortretender Struktur in hochdimensionalen Daten direkt integriert werden kann, um genaue Vorhersagen auf der Individualebene zu erreichen; ii) wie solche individualisierten Vorhersagen möglicherweise mit statistisch signifikanten Gruppenunterschieden korrespondieren, die grundlegend für die evidenzbasierte Medizin sind; und iii) wie durch neue Erweiterungen der klassischen Analysemethoden Daten von verschiedenen Betrachtungsebenen her auszuwerten sind.
Nikos Koutsouleris, München, stellt neue Ergebnisse aus der PRONIA-Studie zur individualisierten Prädiktion der Verlaufs bei Patienten mit einem Hochrisiko-Stadium für psychotische Erkrankungen sowie Patienten mit einer depressiven Er