Skip to main content
Hauptrubriken
CME Facharzt-Training Webinare Zeitschriften Bücher e.Medpedia Podcast
Service
Jobbörse Info & Hilfe
Fachgebiete
Anästhesiologie Allgemeinmedizin Arbeitsmedizin Augenheilkunde Chirurgie Dermatologie Gynäkologie und Geburtshilfe HNO Innere Medizin Kardiologie Neurologie Onkologie und Hämatologie Orthopädie und Unfallchirurgie Pädiatrie Pathologie Psychiatrie Radiologie Rechtsmedizin Urologie Zahnmedizin
Themen
Klimawandel und Gesundheit Neues aus dem Markt COVID-19 Praxis und Beruf Seltene Erkrankungen GOÄ & EBM Panorama
Sammlungen
Kasuistiken Algorithmen & Infografiken Blickdiagnosen Arthropedia FlapFinder (für Dermatochirurgen) Videos Kongressberichterstattung Medizin für Apothekerinnen und Apotheker Für Ärztinnen und Ärzte in Weiterbildung Für Medizinstudierende
Erweiterte Suche
Anmelden
nach oben
Der Nervenarzt
Erschienen in: Der Nervenarzt 8/2018

18.06.2018 | Psychotherapie | Leitthema

Künstliche Intelligenz in der Psychiatrie – ein Überblick

verfasst von: Prof. Dr. A. Meyer-Lindenberg

Erschienen in: Der Nervenarzt | Ausgabe 8/2018

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die künstliche Intelligenz (KI) und die zugrunde liegenden Methoden des maschinellen Lernens und der neuronalen Netzwerke haben in den letzten Jahren dramatische Fortschritte gemacht und Leistungen in Domänen erreicht, die bis vor kurzem als spezifisch menschlich und für Computer nicht zugänglich galten. In diesem Überblick werden die diesen Fortschritten zugrunde liegenden methodischen Entwicklungen kurz dargestellt und in der Folge aktuelle und potenzielle Anwendungen auf die Psychiatrie in drei Bereichen diskutiert: Präzisionsmedizin und Biomarker, Verarbeitung natürlicher Sprache und KI-basierte psychotherapeutische Interventionen. Abschließend wird auf einige Risken dieser neuen Technologie hingewiesen.
Literatur
1.
Banerjee D, Islam K, Mei G et al (2017) A deep transfer learning approach for improved post-traumatic stress disorder diagnosis. In: Data Mining (ICDM) 2017 IEEE International Conference on. IEEE, S 11–20
2.
Bzdok D, Meyer-Lindenberg A (2018) Machine learning for precision psychiatry: opportunities and challenges. Biol Psychiatry Cogn Neurosci Neuroimaging 3:223–230CrossRefPubMed
3.
Cao B, Zheng L, Zhang C et al (2017) Deepmood: modeling mobile phone typing dynamics for mood detection. In: Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ACM, S 747–755CrossRef
4.
Choi H, Ha S, Im HJ et al (2017) Refining diagnosis of Parkinson’s disease with deep learning-based interpretation of dopamine transporter imaging. Neuroimage Clin 16:586–594CrossRefPubMedPubMedCentral
5.
Cybenko G (1989) Approximation by superpositions of a sigmoidal function. Math Control Signals Syst 2:303–314CrossRef
6.
7.
Ebner-Priemer UW, Trull TJ (2009) Ecological momentary assessment of mood disorders and mood dysregulation. Psychol Assess 21:463–475CrossRefPubMed
8.
Fodor JA, Pylyshyn ZW (1988) Connectionism and cognitive architecture: a critical analysis. Cognition 28:3–71CrossRefPubMed
9.
Frangou S, Schwarz E, Meyer-Lindenberg A et al (2016) Identifying multimodal signatures associated with symptom clusters: the example of the IMAGEMEND project. World Psychiatry 15:179–180CrossRefPubMedPubMedCentral
10.
Frey CB, Osborne MA (2017) The future of employment: how susceptible are jobs to computerisation? Technol Forecast Soc Change 114:254–280CrossRef
11.
Heinsfeld AS (2017) Identification of autism disorder through functional MRI and deep learning. In: Pontifícia Universidade Católica do Rio Grande do Sul
12.
Hexmoor H, Mclaughlan B, Tuli G (2009) Natural human role in supervising complex control systems. J Exp Theor Artif Intell 21:59–77CrossRef
13.
Hinton GE, Osindero S, Teh Y‑W (2006) A fast learning algorithm for deep belief nets. Neural Comput 18:1527–1554CrossRefPubMed
14.
Insel T, Cuthbert B, Garvey M et al (2010) Research domain criteria (RDoC): toward a new classification framework for research on mental disorders. Am J Psychiatry 167:748–751CrossRefPubMed
15.
16.
Kim J, Calhoun VD, Shim E et al (2016) Deep neural network with weight sparsity control and pre-training extracts hierarchical features and enhances classification performance: Evidence from whole-brain resting-state functional connectivity patterns of schizophrenia. Neuroimage 124:127–146CrossRefPubMed
17.
Kuang D, Guo X, An X et al (2014) Discrimination of ADHD based on fMRI data with deep belief network. In: International Conference on Intelligent Computing. Springer, Berlin Heidelberg, S 225–232
18.
19.
Li H, Habes M, Fan Y (2017) Deep ordinal ranking for multi-category diagnosis of alzheimer’s disease using hippocampal MRI data. arXiv preprint arXiv:1709.01599
20.
Mcculloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 5:115–133CrossRef
21.
Mehrotra A, Hendley R, Musolesi M (2016) Towards multi-modal anticipatory monitoring of depressive states through the analysis of human-smartphone interaction. In: Proceedings of the 2016 ACM International Joint Conference on Pervasive and Ubiquitous Computing: Adjunct ACM, S 1132–1138CrossRef
22.
Miller GA (2003) The cognitive revolution: a historical perspective. Trends Cogn Sci 7:141–144CrossRefPubMed
23.
Minsky M, Papert S (1969) Perceptrons: Anlntroduction to computational geometry. MIT Press, Cambridge
24.
Mnih V, Kavukcuoglu K, Silver D et al (2015) Human-level control through deep reinforcement learning. Nature 518:529–533CrossRefPubMed
25.
Myin-Germeys I, Klippel A, Steinhart H et al (2016) Ecological momentary interventions in psychiatry. Curr Opin Psychiatry 29:258–263CrossRefPubMed
26.
Newell A, Simon HA (1972) Human problem solving. Prentice-Hall, Englewood Cliffs
27.
Rosenblatt F (1958) The perceptron: a probabilistic model for information storage and organization in the brain. Psychol Rev 65:386CrossRefPubMed
28.
Rosenstein M, Foltz PW, Delisi LE et al (2015) Language as a biomarker in those at high-risk for psychosis. Schizophr Res 165:249–250CrossRefPubMed
29.
Rumelhart DE, Hinton GE, Williams RJ (1986) Learning representations by back-propagating errors. Nature 323:533CrossRef
30.
31.
Shickel B, Heesacker M, Benton S et al (2017) Hashtag Healthcare: from tweets to mental health journals using deep transfer learning. arXiv preprint arXiv:1708.01372
32.
Silver D, Schrittwieser J, Simonyan K et al (2017) Mastering the game of go without human knowledge. Nature 550:354CrossRefPubMed
33.
Thayer JF, Ahs F, Fredrikson M et al (2012) A meta-analysis of heart rate variability and neuroimaging studies: implications for heart rate variability as a marker of stress and health. Neurosci Biobehav Rev 36:747–756CrossRefPubMed
34.
Tran T, Kavuluru R (2017) Predicting mental conditions based on “history of present illness” in psychiatric notes with deep neural networks. J Biomed Inform 75:S138–S148CrossRef
35.
Turing AM (1948) Intelligent machinery, a heretical theory. The Turing test: Verbal behavior as the hallmark of intelligence 105
36.
37.
Wang SH, Lv YD, Sui Y et al (2017) Alcoholism detection by data augmentation and convolutional neural network with stochastic pooling. J Med Syst 42:2CrossRefPubMed
38.
Wang Y, Kosinski M (2018) Deep neural networks are more accurate than humans at detecting sexual orientation from facial images. J Pers Soc Psychol 114:246CrossRefPubMed
Metadaten
Titel
Künstliche Intelligenz in der Psychiatrie – ein Überblick
verfasst von
Prof. Dr. A. Meyer-Lindenberg
Publikationsdatum
18.06.2018
Verlag
Springer Medizin
Erschienen in
Der Nervenarzt / Ausgabe 8/2018
Print ISSN: 0028-2804
Elektronische ISSN: 1433-0407
DOI
https://doi.org/10.1007/s00115-018-0557-6

Weitere Artikel der Ausgabe 8/2018

Der Nervenarzt 8/2018 Zur Ausgabe

Für den Kliniker

Grundlagen autoimmuner und paraneoplastischer Enzephalitiden

CME

CME: MRT-Veränderungen infolge immunmodulierender Therapien

Leitthema

„Big Data“ und künstliche Intelligenz zur Diagnoseunterstützung bei atypischer Demenz

Mitteilungen der DSG

Mitteilungen der Schlaganfallgesellschaft

Übersichten

Cladribin-Tabletten

Einführung zum Thema

Big Data und künstliche Intelligenz

Neu in den Fachgebieten Neurologie und Psychiatrie

Akuter Schwindel: Wann lohnt sich eine MRT?

28.04.2024 Schwindel Nachrichten

Akuter Schwindel stellt oft eine diagnostische Herausforderung dar. Wie nützlich dabei eine MRT ist, hat eine Studie aus Finnland untersucht. Immerhin einer von sechs Patienten wurde mit akutem ischämischem Schlaganfall diagnostiziert.

Niedriger diastolischer Blutdruck erhöht Risiko für schwere kardiovaskuläre Komplikationen

25.04.2024 Hypotonie Nachrichten

Wenn unter einer medikamentösen Hochdrucktherapie der diastolische Blutdruck in den Keller geht, steigt das Risiko für schwere kardiovaskuläre Ereignisse: Darauf deutet eine Sekundäranalyse der SPRINT-Studie hin.

Frühe Alzheimertherapie lohnt sich

25.04.2024 AAN-Jahrestagung 2024 Nachrichten

Ist die Tau-Last noch gering, scheint der Vorteil von Lecanemab besonders groß zu sein. Und beginnen Erkrankte verzögert mit der Behandlung, erreichen sie nicht mehr die kognitive Leistung wie bei einem früheren Start. Darauf deuten neue Analysen der Phase-3-Studie Clarity AD.

Viel Bewegung in der Parkinsonforschung

25.04.2024 Parkinson-Krankheit Nachrichten

Neue arznei- und zellbasierte Ansätze, Frühdiagnose mit Bewegungssensoren, Rückenmarkstimulation gegen Gehblockaden – in der Parkinsonforschung tut sich einiges. Auf dem Deutschen Parkinsonkongress ging es auch viel um technische Innovationen.

Bildnachweise