Modelle für tiefes Lernen (Deep Learning Models, DL) haben im Bereich der Künstlichen Intelligenz aufgrund ihrer Fähigkeit, durch aufeinanderfolgende nichtlineare Transformationen ein hohes Abstraktionsniveau zu erreichen, was dazu führt, dass aus hochdimensionalen Daten die optimale Darstellung gelernt wird, große Aufmerksamkeit erlangt. Faltungsneuronale Netze (Convolutional Neural Networks, CNNs) sind ein Untertyp der DL, der im Bereich der medizinischen Bildanalyse vielversprechend ist und die Klassifizierung psychiatrischer Störungen auf der Grundlage subtiler und diffuser struktureller Hirnveränderungen ermöglicht.

Dieses Projekt versucht, die Vorzüge hochmoderner DL-Ansätze hervorzuheben, mit dem primären Ziel, eine CNN-Architektur zur Identifizierung von Substanzkonsumstörungen (SUD) im Vergleich zu gesunden Kontrollen (HCs) auf der Grundlage struktureller Magnetresonanztomographiedaten (sMRI) zu trainieren und die Leistung von CNNs mit traditionellen Modellen des maschinellen Lernens zu vergleichen. Das sekundäre Ziel ist die Durchführung einer Reihe von Interpretierbarkeitsanalysen an den endgültigen Netzwerken, einschließlich Deep Local Interpretable Model-Agnostic Explanations (LIME) und theoriebasierter Maskierung, um allgemeine SUD- und substanzspezifische Maße für wichtige Merkmale zu erhalten.

Eine vor kurzem veröffentlichte Studie mit dem Titel "Machine Learning Prediction of Early-On-Set Alcohol Use": A Cross-Study, Cross-Sample Validation" (Afzali et al., 2019) konzentriert sich auf die Vorhersagemodellierung des früh einsetzenden Alkoholkonsums und versucht, wichtige methodische Fragen hervorzuheben und einen Dialog über bewährte Verfahren in der Vorhersagepsychiatrie einzuleiten. Diese Studie befasste sich mit fünf Fragen der Vorhersagemodellierung: 1) Untersuchung der vergleichenden Leistung verschiedener Algorithmen des maschinellen Lernens und des potenziellen Einsatzes von Superlernern, 2) Feature-Clustering und Domänenbeitragsanalyse, 3) Koeffizientenextraktion und Interpretierbarkeit, 4) Grenzen der k-fachen Kreuzvalidierung und Notwendigkeit einer unabhängigen Teststichprobe und 5) ethische Bedenken bezüglich des Konzepts der "Vorhersage".

Die computergestützte Modellierung von Entscheidungsaufgaben ist eine leistungsfähige Methode zur Identifizierung komplexer kognitiver Prozesse, die dazu verwendet werden können, ein detaillierteres Bild der zugrunde liegenden Lernmechanismen zu erstellen. In dieser Arbeit haben wir gezeigt, wie die Kombination von Verzerrungen und Empfindlichkeit gegenüber Verstärkungen einen zuverlässigen Prädiktor für das Verhalten in einem Entscheidungsparadigma darstellt. Wir präsentierten ein Bayes'sches hierarchisches Berechnungsmodell, das versucht, zunehmend komplexere Lernmechanismen bei der Aufgabe Passive Avoidance Learning Paradigm (PALP) zu erfassen, indem es ein Reinforcement Learning Framework verwendet.

Die Modellauswahl erfolgte auf der Basis von Vorhersagegenauigkeit, Leave-One-Out-Cross-Validation und Bayes-Faktor. Wir veranschaulichten die Nützlichkeit des ausgewählten Modells durch die Identifizierung von Entwicklungsveränderungen in Subpopulationen und zeigten, wie es für die Klassifizierung verwendet werden kann. Wir identifizierten entwicklungsbedingte Veränderungen in der Handlungsverzerrung und der Sensibilität für Belohnung bei Jugendlichen im Alter von 12-13 bis 17 Jahren. Darüber hinaus haben wir zwei Experimente durchgeführt, um die Entwicklungsverläufe für das Geschlecht und für eine Gruppe von Hochrisiko-Cannabiskonsumenten zu bewerten. In dieser Arbeit haben wir erfolgreich Entwicklungsveränderungen unterschieden, die verwendet werden können, um divergierende Reifungstrajektorien zu bewerten und zum Verständnis der kognitiven Entwicklung während der Adoleszenz beizutragen. Die Bedeutung dieser Ergebnisse erstreckt sich auf die Entwicklung neuer Standards für kognitive Reife, die zu einer besseren Diagnose von psychischen Erkrankungen wie Depression und Sucht führen könnten.

In einem innovativen Projekt werden agentenbasierte Modelle (Agent-Based Models, ABM) verwendet, um die Zukunft der Stoffverwendung der Teilnehmer zu simulieren, indem die anfängliche Struktur der Umwelt (d. h. die Anzahl der anfänglichen Agenten und der früh einsetzenden Stoffanwender, die Interaktionsregeln, das Risikoniveau und das Netzwerk jedes Agenten) bekannt ist. Die Modelle werden kalibriert, indem die Anfangsinformationen der rekrutierten Agenten in jeder Studie verwendet und Hyperparameter angepasst werden.

Diese Art der Vorhersage kann nicht nur für die Prognose des Substanzkonsums verwendet werden, sondern auch für die Untersuchung der Wirkung einer Intervention während einer bestimmten Zeitspanne. Daher ermöglicht uns das Modell, die Zukunft des Substanzkonsums in zwei Szenarien zu vergleichen, in denen wir eine Intervention erhalten oder nicht erhalten. Dieses Modell kann verwendet werden, um eine genauere Kosten-Nutzen-Analyse zu erstellen, um die Wirksamkeit einer Intervention in verschiedenen Szenarien zu vergleichen und um die Wirkung verschiedener Aspekte der Intervention entlang des Zeitraums abzuschätzen, in dem Agenten in derselben Umgebung interagieren.

Das Interesse der Gemeinschaft für künstliche Intelligenz/Maschinelles Lernen an der Kausalität hat in den letzten Jahren deutlich zugenommen. Die kausale Inferenz, wie sie von Judea Pearl eingeführt wurde, konzentriert sich auf die vielfältigen Aspekte kausaler Dynamiken wie zeitliche Präzedenz, Assoziation und kontrafaktische Faktoren, die durch Graphen und Strukturgleichungen quantitativ konzeptualisiert werden können.

Die aussergewöhnliche Möglichkeit des Zugangs zu mehreren grossen, multimodalen und longitudinalen Daten im Venture Lab hat es uns erlaubt, einen Forschungsstrang zu verfolgen, der sich auf quantitative Modelle der kausalen Dynamik zwischen Risikofaktoren (z.B. Substanzkonsum, Screeningzeit) und psychiatrischen Ergebnissen (z.B. Depression, psychotische Erfahrungen) konzentriert und zu sechs Publikationen in hochrangigen Zeitschriften (z.B. JAMA Psychiatry, JAMA Pediatrics) geführt hat. In diesem Forschungsstrang konzentrierten wir uns auf die quantitative Modellierung kausaler Dynamiken durch Assoziationen mit zeitlicher Präzedenz und Mediatorprozessen unter Verwendung von Strukturgleichungsmodellen und Bayes'schen Mehrebenenmodellen. Dieser quantitative Ansatz zur Kausaldynamik ebnet den Weg für ein ehrgeiziges Projekt zur inferentiellen Kausalmodellierung im Kontext des maschinellen Lernens.