Künstliche neuronale Netze

Zusammenfassung

Mit einem künstlichen neuronalen Netzwerk (KNN) wird versucht, die Vorgänge im Zentralnervensystem (ZNS) höherer Lebewesen zu simulieren. In aller Regel erfolgt dies durch eine spezielle Software, die das Verhalten einzelner Neurone und deren Interaktion miteinander simuliert. Der wesentliche Unterschied zu klassischen statistischen Berechnungsverfahren besteht in der Lernfähigkeit eines KNN. Das bedeutet, dass ein solches System anfänglich keinerlei Informationen enthält, sondern sich diese erst aus einer gewissen Zahl bekannter Beispiele extrahiert. Im Idealfall kann ein KNN durch wiederholtes Training generalisieren, d. h., es verändert die Verknüpfungen innerhalb des Neuronenverbandes so, dass es später unbekannte Daten anhand der erlernten Regeln richtig klassifizieren kann. Darüber hinaus reagieren neuronale Netze wenig empfindlich gegen gestörte oder unvollständige Daten. Künstliche neuronale Netze haben bereits in anderen Bereichen gezeigt, dass sie zur Vorhersage von Ereignissen und Modellierung komplexer zeitabhängiger Systeme geeignet sind. Außerhalb der Medizin werden sie v. a. dann eingesetzt, wenn die Einflussfaktoren für einen bestimmten Ausgang nicht oder nur unvollständig bekannt und die Zusammenhänge komplex und nichtlinear sind (z. B. bei Finanz- oder Wetterprognosen). Dieser Artikel soll eine kurze Übersicht über die grundsätzliche Funktionsweise von KNN geben und potenzielle Einsatzmöglichkeiten in Anästhesie, Intensiv- und Notfallmedizin aufzeigen.

Summary

Artificial neural networks (ANN) are constructed to simulate processes of the central nervous system of higher creatures. An ANN consists of a set of processing units (nodes) which simulate neurons and are interconnected via a set of "weights" (analogous to synaptic connections in the nervous system) in a way which allows signals to travel through the network in parallel. The nodes (neurons) are simple computing elements. They accumulate input from other neurons by means of a weighted sum. If a certain threshold is reached the neuron sends information to all other connected neurons otherwise it remains quiescent. One major difference compared with traditional statistical or rule-based systems is the learning aptitude of an ANN. At the very beginning of a training process an ANN contains no explicit information. Then a large number of cases with a known outcome are presented to the system and the weights of the inter-neuronal connections are changed by a training algorithm designed to minimise the total error of the system. A trained network has extracted rules that are represented by the matrix of the weights between the neurons. This feature is called generalisation and allows the ANN to predict cases that have never been presented to the system before. Artificial neural networks have shown to be useful predicting various events. Especially complex, non-linear, and time depending relationships can be modelled and forecasted. Furthermore an ANN can be used when the influencing variables on a certain event are not exactly known as it is the case in financial or weather forecasts. This article aims to give a short overview on the function of ANN and their previous use and possible future applications in anaesthesia, intensive care, and emergency medicine.