Open Access

Ann-Kristin Becker

• This cumulative thesis describes contributions to the field of interpretable machine learning in the healthcare domain. Three research articles are presented that lie at the intersection of biomedical and machine learning research. They illustrate how incorporating latent structure can provide a valuable compression of the information hidden in complex healthcare data. Methodologically, this thesis gives an overview of interpretable machine learning and the discovery of latent structure, including clusters, latent factors, graph structure, and hierarchical structure. Different workflows are developed and applied to two main types of complex healthcare data (cohort study data and time-resolved molecular data). The core result builds on Bayesian networks, a type of probabilistic graphical model. On the application side, we provide accurate predictive or discriminative models focusing on relevant medical conditions, related biomarkers, and their interactions.
• Diese kumulative Dissertation befasst sich mit interpretierbaren Machine-Learning-Modellen, die latente Strukturen einbeziehen, um Informationen aus hochdimensionalen Gesundheitsdaten zu entschlüsseln und nutzbar zu machen. Methodisch bietet diese Arbeit einen Überblick über die Modellinterpretierbarkeit sowie über die Entdeckung latenter Strukturen in Form von Clustern, latenten Faktoren, Graphstrukturen oder hierarchischen Strukturen. Anhand von drei Forschungsartikeln wird aufgezeigt, wie latente Strukturen die Interpretierbarkeit eines Modells erhöhen können. Das zentrale Ergebnis dieser Arbeit basiert dabei auf Bayes'schen Netzen, einem probabilistischen grafischen Modell. Auf der Anwendungsseite liefern wir genaue Vorhersagemodelle für populationsrelevante Krankheiten, die auf heterogenen Kohortenstudiendaten und zeitaufgelösten molekularen Daten basieren und die Interpretierbarkeit von Biomarker- und Risikofaktor-Interaktionen gewährleisten.