We introduce new techniques for medical data mining for the improved diagnosis in two medical domains. For the domain of breast cancer diagnosis, we propose two approaches to test selection, to enable the selection of an optimal imaging modalty, one based on information maximization and one on subgroup discovery. For the domain of Alzheimer’s disease we focus on the correlation of image and non-image data. We start with clustering PET scans of patients to form groups sharing similar features in brain metabolism, we then explain the clusters by relating them to non-image variables, using an algorithm for relational subgroup discovery. In an alternative approach, we determine frequent itemsets on non-image data to describe possible image clusters, which then have to be combined into an overall clustering. This combination can be controlled by a variety of user-defined constraints, which we solve by integer linear programs.     «

We introduce new techniques for medical data mining for the improved diagnosis in two medical domains. For the domain of breast cancer diagnosis, we propose two approaches to test selection, to enable the selection of an optimal imaging modalty, one based on information maximization and one on subgroup discovery. For the domain of Alzheimer’s disease we focus on the correlation of image and non-image data. We start with clustering PET scans of patients to form groups sharing similar features in...     »

Wir präsentieren neue Techniken für medizinisches Data Mining (Test Selection, Subgroup Discovery und Constrained Clustering), um die Diagnose in zwei Domänen, Brustkrebs und Alzheimer, zu verbessern. Im Bereich Brustkrebsdiagnose stellen wir zwei Methoden zur Test Selection vor. Eine basiert auf der Maximierung von Information, die zweite auf der Entdeckung von Untergruppen von Patienten, die denselben optimalen Test haben. Im Bereich Alzheimer untersuchen wir die Korrelation von Bilddaten und strukturierten Daten von Demenzpatienten. Im ersten Teil gehen wir von Bildern aus und erklären dann die Unterschiede und Gemeinsamkeiten mit strukturierten Daten. Im zweiten Teil setzen wir Methoden des Constrained Clusterings ein, um durch strukturierte Daten beschriebenen Kandidatencluster zu einem Gesamtclustering zu kombinieren. Diese Kombination kann durch eine Vielzahl von benutzerdefinierten Bedingungen gesteuert werden.     «

Wir präsentieren neue Techniken für medizinisches Data Mining (Test Selection, Subgroup Discovery und Constrained Clustering), um die Diagnose in zwei Domänen, Brustkrebs und Alzheimer, zu verbessern. Im Bereich Brustkrebsdiagnose stellen wir zwei Methoden zur Test Selection vor. Eine basiert auf der Maximierung von Information, die zweite auf der Entdeckung von Untergruppen von Patienten, die denselben optimalen Test haben. Im Bereich Alzheimer untersuchen wir die Korrelation von Bilddaten und...     »