Good enough for biomedical signals – wenn klassische ML-Verfahren besser sind als neuronale Netze

ML-Modelle, die auf eindimensionalen Ultraschallsignalen basieren, können zwischen verschiedenen Zuständen in biomedizinischen Szenarien unterscheiden. Mögliche Anwendungen umfassen Muskelkontraktions-Tracker, Detektoren für Muskelermüdungen, die Erkennung der Volljährigkeit durch Knochenwachstumsanalysen oder die Unterscheidung verschiedener Stadien von Leberkrankheiten.

Dieser Vortrag zeigt auf, dass zuverlässige, robuste und schnelle Klassifikationen mit hohen Genauigkeitsgraden möglich sind. Bemerkenswert ist, dass diese Ergebnisse mit etablierten Verfahren wie XGBoost, SVM, CatBoost erreicht werden können und hochoptimierte neuronale Netze im direkten Vergleich weniger gut abschneiden.

Vorkenntnisse

Spezielle Vorkenntnisse sind nicht nötig. Ein grundlegendes Verständnis verschiedener ML-Verfahren und eventuell erste Anwendungen künstlicher neuronaler Netze sind jedoch von Vorteil.

Lernziele

Der Vortrag soll vermitteln, wie es relativ einfach möglich ist, etablierte Verfahren auf eindimensionalen biomedizinischen Signalen anzuwenden, um schnell robuste Ergebnisse zu erzielen. Hierbei lege ich den Fokus darauf, dass nicht in jedem Fall immer die neusten neuronalen Netzwerke die allerbesten Ergebnisse erzielen und Entwickler:innen in diesem Bereich ihren Werkzeugkasten auch um altgediente Verfahren erweitern sollten.