Ein innovativer Ansatz um Temperatur und Feuchteprofile aus Radar-Windprofilermessungen zu bestimmen

<p>Die ständige Weiterentwicklung und Verbesserung der Wetter- und Klimamodelle stellt die atmosphärische Fernerkundung vor eine große Herausforderung. Für die Evaluierung der Modelle werden immer besser aufgelöste Messungen und Methoden benötigt. Herkömmliche Ansätze scheitern hier vor allem an kontinuierlichen Beobachtungen der Temperatur und Feuchte bei allen Wetterbedingungen und insbesondere bei Regen.</p> <p>Ein Radar-Windprofiler (RWP) ist allerdings auch bei solchen atmosphärischen Bedingungen in der Lage Vertikalinformationen der Temperatur- und Feuchtegradienten zu beobachten. Das Signal ist direkt proportional zu starken Änderungen in der Temperatur und der Feuchte. Hier lernen künstliche neuronale Netzwerke die Zusammenhänge aus dem RWP Dopplerspektrum und zeitgleichen atmosphärischen Profilen von Radiosonden. Es werden zwei unterschiedliche Ansätze aus dem maschinellen Lernen vorgestellt. Einmal als Vorwärtsmodell (<em>multilayer perceptron</em>) um das RWP Signal aus Radiosonden zu generieren und einmal andersherum, also aus RWP-Dopplerspektren Temperatur- und Feuchteprofile zu erzeugen (<em>convolutional neural network</em>).</p> <p>Die langen Zeitreihen an Daten (seit 2010) und die Kombination an sich ergänzenden Messinstrumenten, insbesondere mit dem 482 MHz Windprofiler am Meteorologischen Observatorium Lindenberg – Richard Aßmann Observatorium (MOL-RAO), sind einzigartig. Daraus kann eine kontinuierliche Zeitreihe von Temperatur- und Feuchteprofilen mit bisher nicht erreichter Genauigkeit innerhalb und oberhalb von Wolken und insbesondere bei Niederschlag erstellt werden. Erste Ergebnisse bei wolkenlosen Fällen sind vielversprechend. In naher Zukunft können die Algorithmen als Vorwärtsmodelle für variationelle Methoden (optimale Schätzung) verwendet werden.</p>

Niederschlags-Abfluss-Modellierung mit Long Short-Term Memory (LSTM)

ZusammenfassungMethoden der künstlichen Intelligenz haben sich in den letzten Jahren zu essenziellen Bestandteilen fast aller Bereiche von Wissenschaft und Technik entwickelt. Dies gilt auch für die Hydrologie: Vielschichtige neuronale Netzwerke – auch bekannt als Modelle des Deep Learning – ermöglichen hier Vorhersagen von Niederschlagsabflussmengen in zuvor unerreichter Präzision.Dieser Beitrag beleuchtet das Potenzial von Deep Learning für wasserwirtschaftliche Anwendungen. Der erste Teil des Artikels zeigt, wie sogenannte Long Short-Term Memory-Netzwerke – eine spezifisch für Zeitreihen entwickelte Methode des Deep Learnings – für die Niederschlags-Abfluss-Modellierung verwendet werden, und wie diese für eine Reihe hydrologischer Probleme bessere Ergebnisse als jedes andere bekannte hydrologische Modell erzielen. Der zweite Teil demonstriert wesentliche Eigenschaften der Long Short-Term Memory-Netzwerke. Zum einen zeigen wir, dass diese Netzwerke beliebige Daten verarbeiten können. Dies erlaubt es, mögliche synergetische Effekte aus unterschiedlichen meteorologischen Datensätzen zu extrahieren und damit die Modellgüte zu verbessern. Zum anderen stellen wir dar, wie relevante hydrologische Prozesse (wie z. B. das Akkumulieren und Schmelzen von Schnee) innerhalb der Modelle abgebildet werden, ohne dass diese spezifisch darauf trainiert wurden.

Zur Beziehungsgestaltung mit Künstlicher emotionaler Intelligenz – vom „Hier und Jetzt“ zum „Dort und Dann“

ZusammenfassungDie Beziehungsgestaltung in der Vergangenheit, der Gegenwart und der Zukunft wird von der Idee des Humanismus geprägt. Getragen von diesem Konstrukt beleuchtet der Beitrag verschiedene Aspekte und Ausgestaltungen des Humanismus auf einer Zeitachse vom „Hier und Jetzt“ zum „Dort und Dann“. Die gegenwärtige Versorgungsrealität geht mit einer emotionalen Entfremdung menschlicher Beziehungen einher. Eine voranschreitende Technologie und reduktionistische neurobiologische Vorstellungen können den Blick auf das psychische Kranksein eines Menschen in seiner Ganzheit erschweren. Jede (Kommunikations-)Technik, die in der Vergangenheit entwickelt wurde oder in der Zukunft noch zu entwickeln ist, wird früher oder später Einzug in die Psychiatrie und Psychotherapie halten und Beziehungen verändern. Der Transhumanismus birgt die Gefahr, dass die Menschen sich voneinander und ihrer Gattung entfremden. Neuronale Netzwerke sind Algorithmen, welche unabhängig von der verwendeten Hardware funktionieren, sei es, sie basieren auf organischen Kohlenstoffeinheiten wie der Mensch oder auf nichtorganischen Siliziumeinheiten wie der Computer/Cyborg. Es wird verschiedene Wege geben, eine Superintelligenz zu erlangen. Dabei ist Intelligenz ein „Muss“ und Bewusstsein ein „Kann“. Wenn es zu einem Wandel von einem homo- zu einem datenzentrischen Weltbild kommt und die Macht der Menschen auf die Algorithmen übergeht, könnte der Mensch sein Alleinstellungsmerkmal verlieren und die humanistischen Ziele von Gesundheit und Glück würden verloren gehen.

„Smartphone addiction”: Fakt oder Fiktion?

ZUSAMMENFASSUNG Gegenstand und Ziel In den vergangenen Jahren wurde vermehrt darauf hingewiesen, dass exzessive Smartphone-Nutzung Merkmale abhängigen Verhaltens aufweisen und damit auch einen eigenständigen Störungswert erlangen kann. In diesem Kontext wurde der Begriff der „smartphone addiction“ eingeführt. In dieser Übersicht soll der aktuelle Wissensstand zu diesem neuen Phänomen zusammengefasst werden. Material und Methoden Selektive Literaturrecherche zur „problematischen“ oder „exzessiven“ Smartphone-Nutzung resp. „smartphone addiction“ unter Berücksichtigung aktueller Befunde aus der Neurobildgebung. Ergebnisse Die „smartphone addiction“ (SPA) kann psychometrisch reliabel erfasst werden. Konservative Schätzungen gehen von einer Prävalenz von ca. 14–31 % bei Jugendlichen und jungen Erwachsenen aus. Die SPA scheint mit vielfältigen anderen Symptomen assoziiert zu sein, insbesondere mit Angst, Depressivität, Impulsivität, Emotions- und Selbswertregulati onsdefiziten. Rezente Befunde der Neurobildgebung verweisen auf neurobiologische Parallelen zu anderen substanzgebundenen und substanzunabhängigen Suchterkrankungen. Schlussfolgerung/klinische Relevanz Die SPA ist ein relativ neues Phänomen, jedoch keine eigenständige Krankheitsentität. Parallelen zur DSM-5 „Internet Gaming Disorder“ (IGD) sind nicht zu übersehen, und möglicherweise könnte die SPA als „mobile“ Variante digitaler Spielstörungen betrachtet werden. Erste neurobiologische Befunde konnten das kategoriale Konstrukt der SPA validieren mit Verweis auf Gehirnregionen und neuronale Netzwerke, die Sucht und abhängiges Verhalten aufrechterhalten. SPA-spezifische Therapieoptionen sind derzeit nicht verfügbar, sie dürften sich jedoch stark anlehnen an Behandlungsprinzipien der IGD. Präventive und psychoedukative Maßnahmen sollten in der Zukunft gestärkt werden.

Künstliche Intelligenz in der Gastroenterologie

Was ist neu? Maschinelles Lernen und künstliche Intelligenz Künstliche Intelligenz (KI) verändert derzeit alle Bereiche unseres Lebens- und Arbeitsalltags. Die Welt der Medizin ist hiervon nicht ausgenommen. Eine Kernmethode der künstlichen Intelligenz – künstliche neuronale Netzwerke – ist besonders effektiv im Analysieren von Bilddaten. Dies beeinflusst auch die Gastroenterologie wesentlich. Klinische Anwendungen Insbesondere endoskopische, radiologische und histologische Bilder können mittels künstlicher neuronaler Netzwerke automatisch analysiert werden. Einerseits können dadurch repetitive Tätigkeiten automatisiert werden, beispielsweise die Suche nach Polypen in der Screening-Koloskopie. Andererseits ermöglicht dies jedoch auch die Erkennung von subtilen Mustern in Bilddaten, welche als neuartige Biomarker für klinische Verläufe genutzt werden könnten. Ausblick Das Angebot kommerzieller KI-Systeme wird in Zukunft deutlich zunehmen. Wichtig ist die Ausbildung interdisziplinärer Forscherinnen und Forscher, das Vorhandensein standardisierter Datenbanken und das frühzeitige Heranführen der Ärztinnen und Ärzte an die komplexen KI-Anwendungen.

Dermatoskopie, sequenzielle Videodermatoskopie, Ganzkörperfotografie, künstliche Intelligenz – was bringt uns die Zukunft?

ZusammenfassungDie Dermatoskopie ist mittlerweile ein fester Bestandteil einer jeden dermatologischen Untersuchung. Mit dieser Technik konnten die Früherkennung von Malignomen der Haut und deren Vorstufen deutlich verbessert und unnötige Exzisionen benigner Hautläsionen reduziert werden. Der Einsatz der Dermatoskopie umfasst mittlerweile auch die Beurteilung von entzündlichen und parasitären Dermatosen sowie Haarerkrankungen. Bei definierten Risikogruppen für ein Melanom sollte der 2-Schritte-Algorithmus, bestehend aus Ganzkörperfotografie und Videodermatoskopie, in entsprechenden Zeitintervallen zur Anwendung kommen. Mit dieser Methode können Melanome meist in einem sehr frühen Stadium entdeckt werden, da Veränderungen bestehender Muttermale sowie neu entstandene Läsionen früher festgestellt werden. In den letzten Jahren konnten mehrere Studien nachweisen, dass speziell geschulte neuronale Netzwerke Malignome der Haut, insbesondere Melanome, mit einer sehr hohen Treffsicherheit diagnostizieren können. Wie diese computergestützte Diagnostik mithilfe einer künstlichen Intelligenz in den klinischen Alltag integriert werden kann und welche Vorteile sich hiervon ableiten lassen, ist derzeit noch nicht geklärt.

Dermatoskopie, sequenzielle Videodermatoskopie, Ganzkörperfotografie, künstliche Intelligenz – was bringt uns die Zukunft?

ZusammenfassungDie Dermatoskopie ist mittlerweile ein fester Bestandteil einer jeden dermatologischen Untersuchung. Mit dieser Technik konnten die Früherkennung von Malignomen der Haut und deren Vorstufen deutlich verbessert und unnötige Exzisionen benigner Hautläsionen reduziert werden. Der Einsatz der Dermatoskopie umfasst mittlerweile auch die Beurteilung von entzündlichen und parasitären Dermatosen sowie Haarerkrankungen. Bei definierten Risikogruppen für ein Melanom sollte der Zwei-Schritte-Algorithmus, bestehend aus Ganzkörperfotografie und Videodermatoskopie, in entsprechenden Zeitintervallen zur Anwendung kommen. Mit dieser Methode können Melanome meist in einem sehr frühen Stadium entdeckt werden, da Veränderungen bestehender Muttermale sowie neu entstandene Läsionen früher festgestellt werden. In den letzten Jahren konnten mehrere Studien nachweisen, dass speziell geschulte neuronale Netzwerke Malignome der Haut, insbesondere Melanome, mit einer sehr hohen Treffsicherheit diagnostizieren können. Wie diese Computer-gestützte Diagnostik mithilfe einer künstlichen Intelligenz in den klinischen Alltag integriert werden kann und welche Vorteile sich hiervon ableiten lassen, ist derzeit noch nicht geklärt.