25+ Erfahrene Dermatologen
Das Deep Learning (dt. Tiefgehendes oder tiefes Lernen) ist eine spezielle Methode zur Informationsverarbeitung. Es ist ein Teilgebiet der Künstlichen Intelligenz (KI) und ein Ansatz im Bereich des Maschinellen Lernens.
Die Analyse wird hierbei im Vergleich zum Machine Learning der Maschine ohne Eingriff des Menschen vorgenommen. Deep-Learning Modelle sind in der Lage von sich aus zu lernen, indem sie in einer Lernphase mit Beispieldaten trainiert werden. Beispieldaten werden so verallgemeinert, dass im Anschluss an die Lernphase auch bisher unbekannte Daten richtig beurteilt werden können.
Ein Computersystem wird mit großen Datenmengen gefüttert, so dass es mit modernen Algorithmen selbstständig nach einer Struktur suchen kann. Es werden Gesetzmäßigkeiten abgebildet, bei denen sich die Ergebnisse am Wissen von Experten oder an Naturgesetzen orientieren. [1]
In immer mehr Bereichen in Forschung und Industrie findet das Deep Learning erfolgreiche Anwendung und bietet eine wichtige technische Grundlage. Deep Learning wird überall dort angewendet, wo sich große Datenmengen nach Mustern und Modellen untersuchen lassen. Das Konzept kommt u.a. für die Gesichts-, Objekt- oder Bild- und Spracherkennung zum Einsatz, bei selbstfahrenden Autos oder der Vorhersage des Kundenverhaltens auf Basis von Daten eines CRM-Systems (Customer Relationship Management bzw. Kundenbeziehungsmanagement).[2]
Deep Learning bedeutet, dass eine Maschine in die Lage versetzt wird, selbstständig und ohne menschliches Zutun ihre Fähigkeiten zu verbessern, indem aus vorhandenen Daten und Informationen Muster extrahiert und klassifiziert werden. Die dadurch gewonnenen Erkenntnisse lassen sich wiederum mit Daten in Zusammenhang bringen und in einem weiteren Kontext verknüpfen. So kann die Maschine Entscheidungen auf Basis der Verknüpfungen treffen.[2]
Deep Learning basiert auf der Verwendung künstlicher neuronaler Netze. Diese sind von dem biologischen neuronalen Netz des menschlichen Gehirns inspiriert. Das heißt, dass sie vorgehen wie der Mensch: wahrnehmen, nachvollziehen, eine Schlussfolgerung ziehen. Natürlich können sie sehr viel größere Datenberge und sehr viel schneller untersuchen, als es einem Menschen jemals möglich wäre.[3]
Die künstlichen Neuronen werden in mehrere Ebenen eingeteilt. Am Beispiel eines Bildes erklärt: Die Einheiten der ersten Ebene erkennen lediglich Helligkeitswerte der Pixel, also einzelner Bildpunkte. Die nächste Ebene erkennt, dass einige der Pixel zu Kanten verbunden sind, die darauffolgende kann zwischen horizontalen und vertikalen Linien unterscheiden; und dies bis zu dem Zeitpunkt, wo schließlich eine Ebene erreicht wird, in der die Neuronen Augen auseinanderhalten können und das System weiß, dass in einem Gesicht typischerweise zwei davon auftauchen. [4]
Dabei erhalten die Informationsverknüpfungen durch fortlaufendes Hinterfragen der Entscheidungen bestimmte Gewichtungen. Die Gewichtung wird durch bestätigte Entscheidungen erhöht. Im Umkehrschluss werden diese widerrufen, sobald sich die Gewichtung verringert.
Zwischen der Eingabeschicht und der Ausgabeschicht entstehen beim ständigen Hinterfragen der Entscheidungen immer mehr Stufen an Zwischenschichten und Verknüpfungen. Über den eigentlichen Output entscheidet die Anzahl der verborgenen Zwischenschichten und deren Verknüpfung.
Die Genauigkeit eines Deep-Learning-Systems hängt davon ab, wie viele Daten zur Verfügung stehen*.* Je mehr Neuronen und Schichten existieren, desto komplexere Sachverhalte lassen sich abbilden. [2]
Auch in der Medizin wird das Deep Learning bereits vielfach eingesetzt. Schon länger lassen sich mit Hilfe der Technologie Röntgenbilder oder CT-Aufnahmen untersuchen und präzise Krankheitsmuster ohne menschliches Zutun identifizieren.
Bei der Analyse von Patientendaten prüft die Künstliche Intelligenz Befunde und gibt Therapieempfehlungen. Oder aber es können Medikationspläne erstellt und eine Erkrankung schneller erkannt werden, als es einem Menschen möglich wäre.
Außerdem kann das Deep Learning in der Arzneimittelforschung eingesetzt werden, so können beispielsweise aussichtsreiche Wirkstoffe identifiziert werden.
