Visual Analytics for Concept Exploration in Subspaces of Patient Groups: Making Sense of Complex Datasets with the Doctor-in-the-Loop

Sowohl Klinikerinnen und Kliniker als auch Forscherinnen und Forscher sind im biomedizinischen Bereich vermehrt mit hochdimensionalen und komplexen Patientinnendaten und Patientendaten konfrontiert. Durch den im hochdimensionalen Raum auftretenden sogenannten „curse of dimensionality“ stellen sich extrem schwierige Herausforderungen im maschinellen Lernen um Wissen in solchen Daten zu entdecken. Dabei sind insbesondere unwichtige, korrelierende und sich widersprechende Dimensionen gerade jene Einflüsse die unter anderen Ähnlichkeitsdefinitionen zwischen Datenpunkten die größten Einflüsse bewirken und dadurch z.B. das Clusteringergebnis verfälschen. Ein weiteres Muster welches ebenfalls durch den „curse of dimensionality“ beeinflusst wird ist die Korrelation zwischen einem Patientinnenzustand bzw. Patientenzustand und einem Therapieergebnis in bestimmten Kombinationen von Dimensionen (=Subspace). Die hochdimensionalen Daten müssen in eine niedrigere Anzahl von relevanten Dimensionen projiziert werden um es einem Domainexperten bzw. einer Domainexpertin (expert-in-the-loop) ermöglichen, erfolgreiche Korrelationen zu erkennen. Zusammen mit der Keim-Gruppe der Universität Konstanz, konnten wir einige Experimente durchführen, um die Nützlichkeit und das zukünftige Potential interaktiver Subspaceanalysetechniken (SubVis) mit einem human-in-the-loop zu zeigen. Die Experimente wurden mit real-world Datensätzen aus dem Universitätsklinikum Osijek (Kroatien) durchgeführt.