Durchgeführt von: Precision Psychiatry

Laufzeit: Beginn 07/2025

Förderung: Innovative Medizinische Forschung (IMF) an der Medizinischen Fakultät Münster (184.828 Euro)

Biomarker-basierte Vorhersagemodelle spielen eine wichtige Rolle in der Präzisionsmedizin, da sie mit Methoden des maschinellen Lernens (ML) biologische Merkmale identifizieren, die Diagnose und Therapieentscheidungen unterstützen können. Ihre Zuverlässigkeit wird jedoch häufig durch sogenannte „Störvariablen“ (Konfundierungen) beeinträchtigt. Dazu gehören beispielsweise individuelle Merkmale wie Alter, Geschlecht oder Lebensstil, aber auch technische Probleme wie Kopfbewegungen während der MRT-Messung. Im Gegensatz zu klassischen statistischen Methoden fehlt es im Bereich der ML-basierten Vorhersagemodelle bisher an standardisierten, effektiven Verfahren zur Kontrolle dieser Störvariablen. Dadurch zeigen viele Modelle fehlerhafte Zusammenhänge oder übersehen echte biologische Effekte.

In unserem Projekt entwickeln wir daher derzeit zuverlässige und systematische Verfahren zur Kontrolle von Störvariablen für ML-basierte Vorhersagemodelle. Hierzu testen wir unterschiedliche Methoden sowohl an simulierten Daten als auch an echten neurobiologischen Datensätzen. Außerdem wenden wir diese Verfahren bereits auf klinische Fragestellungen innerhalb einer großen bestehenden Patientenkohorte an. Die entwickelten Methoden integrieren wir kontinuierlich in das Softwarepaket PHOTONAI, das in unserer Arbeitsgruppe speziell für maschinelles Lernen in der medizinischen Forschung entwickelt wurde. Auf diese Weise stellen wir sicher, dass Vorhersagemodelle tatsächliche biologische Zusammenhänge abbilden und somit eine verlässlichere Grundlage für personalisierte Medizin liefern.