Στη συγκεκριμενή περίπτωση θα γίνει εφαρμογή μεθόδων τεχνητής νοημοσύνης (μηχανικής μάθησης), όπως SVM, Random Forests και CNNs, για την εις βάθος ανάλυση συνόλων δεδομένων με σκοπό την ανακάλυψη μοτίβων και πιθανών βιοδεικτών για την κατανόηση της σχιζοφρένειας. Ο ρόλος περιλαμβάνει τη δημιουργία τυποποιημένων πρωτοκόλλων για την επιλογή μοντέλων, τον καθορισμό αποτελεσμάτων και τη στατιστική επικύρωση. Θα επικεντρωθούμε στον εντοπισμό των κυρίαρχων χαρακτηριστικών από δεδομένα που σχετίζονται με τον κίνδυνο και την εξέλιξη της σχιζοφρένειας χρησιμοποιώντας προηγμένες τεχνικές σχεδιασμού και επιλογής χαρακτηριστικών, όπως το Lasso και οι γενετικοί αλγόριθμοι.