Kernel‑Lernverfahren prognostiziert ICU‑Notwendigkeit bei COVID‑19 Röntgenbildern

In der Welt des maschinellen Lernens sind Kernel‑Methoden seit langem ein bewährtes Werkzeug für Klassifikations‑ und Vorhersageaufgaben. Sie ermöglichen es, komplexe nichtlineare Muster in Daten zu erkennen. Doch ein einzelner Kernel, etwa der Gaußsche, reicht oft nicht aus, um die Vielfalt und Mehrdimensionalität realer Datensätze vollständig abzubilden.

Um diese Einschränkung zu überwinden, kombiniert Multiple‑Kernel‑Learning (MKL) mehrere einfache Kernel zu einer zusammengesetzten Kernelfunktion. Dadurch können Informationen aus heterogenen Quellen integriert werden. Traditionelle MKL‑Ansätze sind jedoch meist auf kontinuierliche Zielvariablen ausgelegt.

Die Forscher haben MKL erweitert, sodass es Zielvariablen aus der Exponentialfamilie – also auch binäre, zählende oder andere nicht‑kontinuierliche Daten – verarbeiten kann. Das neue Verfahren, GLIMARK (Generalized Linear Models with Integrated Multiple Additive Regression with Kernels), demonstriert in Experimenten, dass es die wahre Daten­generierungs­mechanik zuverlässig rekonstruieren kann.

In einer praktischen Anwendung wurde GLIMARK auf ein COVID‑19‑Röntgenbild‑Datenset angewendet. Das Modell prognostizierte erfolgreich, ob ein Patient eine ICU‑Escalation benötigt, und extrahierte dabei klinisch relevante Merkmale. Diese Ergebnisse zeigen, dass das Verfahren nicht nur theoretisch, sondern auch in realen medizinischen Szenarien von hohem Nutzen sein kann.