Die vorliegende Veröffentlichung umfasst zwei Grundbausteine. Zum einen die offizielle Rote Liste mit Nennung der Gefährdungskategorien, zum anderen ein revidiertes systematisches Gesamtartenverzeichnis der Mollusken Baden-Württembergs. Die Rote Liste dient zum schnellen Feststellen der jeweiligen Gefährdungskategorien der einzelnen Arten in Baden-Württemberg und ist wie üblich alphabetisch nach Gattungen geordnet. Sehr großer Wert wurde auf die sorgfältige Analyse der Ergebnisse gelegt (Kapitel 7). Das Gesamtartenverzeichnis dient der aktuellen systematischen Einordnung aller Arten, weshalb hier die Taxa im Kontext des wissenschaftlichen Systems der Mollusken aufgeführt werden. Im systematischen Artenverzeichnis soll der momentane Kenntnisstand über die Mollusken Baden-Württembergs in knapper Darstellung zum Ausdruck kommen. Hier sind auch die bekannten Unterarten aufgeführt und es werden zusätzliche Informationen zum Verbreitungstyp, zur Verbreitung (Vorkommen in den Naturräumen 3. Ordnung) sowie zur Ökologie (Zuordnung einzelner Arten zu bestimmten Biotoptypen) gegeben. Mit diesen Zusatzinformationen werden Rote Listen und Artenverzeichnisse zu Gradmessern der Biodiversitätsforschung. In über 130 ‚Anmerkungen‘ werden die entsprechenden Angaben zur Systematik, Verbreitung und Ökologie präzisiert und es wird auf die hierfür zu Grunde liegende Literatur verwiesen. Alle Angaben der Roten Liste sind auch im ausführlichen systematischen Artenverzeichnis enthalten. In beiden Listen sind die Arten mit ihrer laufenden Nummer aufgeführt. Damit ist ein problemloser Wechsel von der Roten Liste zu den Angaben im systematischen Artenverzeichnis gewährleistet. Der Forschungsstand findet sich vielfach in der historischen Literatur, die deshalb eine sorgfältige und kritische Berücksichtigung erfuhr (siehe Anmerkungen und Literaturverzeichnis). Einen unschätzbaren Wert haben in diesem Zusammenhang die zahlreichen Veröffentlichungen David Geyer‘s, die den Beginn der modernen Regionalfaunisik in Baden-Württemberg kennzeichnen. Ein eigenes Kapitel zur Forschungsgeschichte hätte jedoch den vorgegebenen Rahmen dieser Arbeit gesprengt.
Importance: The entry of artificial intelligence into medicine is pending. Several methods have been used for the predictions of structured neuroimaging data, yet nobody compared them in this context.
Objective: Multi-class prediction is key for building computational aid systems for differential diagnosis. We compared support vector machine, random forest, gradient boosting, and deep feed-forward neural networks for the classification of different neurodegenerative syndromes based on structural magnetic resonance imaging.
Design, setting, and participants: Atlas-based volumetry was performed on multi-centric T1-weighted MRI data from 940 subjects, i.e., 124 healthy controls and 816 patients with ten different neurodegenerative diseases, leading to a multi-diagnostic multi-class classification task with eleven different classes.
Interventions: N.A.
Main outcomes and measures: Cohen’s kappa, accuracy, and F1-score to assess model performance.
Results: Overall, the neural network produced both the best performance measures and the most robust results. The smaller classes however were better classified by either the ensemble learning methods or the support vector machine, while performance measures for small classes were comparatively low, as expected. Diseases with regionally specific and pronounced atrophy patterns were generally better classified than diseases with widespread and rather weak atrophy.
Conclusions and relevance: Our study furthermore underlines the necessity of larger data sets but also calls for a careful consideration of different machine learning methods that can handle the type of data and the classification task best.