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.