Diseño y evaluación de sistemas médicos de aprendizaje profundo
Diseño de estudios de aprendizaje profundo en el diagnóstico del cáncer. Crédito: Hospital Universitario de Oslo
¿Puede un mejor diseño de los estudios de aprendizaje profundo conducir a una transformación más rápida de las prácticas médicas? Según los autores de «Diseño de estudios de aprendizaje profundo en el diagnóstico del cáncer», publicado en el último número de Nature Reviews Cancer, la respuesta es sí.
«Proponemos varios elementos del protocolo que deben definirse antes de evaluar la cohorte externa», dice el primer autor, Andreas Kleppe, del Instituto de Diagnóstico del Cáncer e Informática del Hospital Universitario de Oslo».
«De esta manera, la evaluación se vuelve rigurosa y más confiable. Dichas evaluaciones dejarían mucho más claro qué sistemas tienen probabilidades de funcionar bien en la práctica clínica, y estos sistemas deben evaluarse más en ensayos clínicos aleatorizados de fase III».
La implementación lenta es en parte una consecuencia natural del tiempo necesarios para evaluar y adaptar los sistemas que afectan el tratamiento del paciente. Sin embargo, muchos estudios que evalúan sistemas que funcionan bien tienen un alto riesgo de sesgo.
Según Kleppe, incluso entre los aparentemente mejores estudios que evalúan cohortes externas, pocos predefinen el análisis primario. Las adaptaciones del sistema de aprendizaje profundo, la selección de pacientes o la metodología de análisis pueden hacer que los resultados presentados sean demasiado optimistas.
La frecuente falta de una evaluación estricta de los datos externos es motivo de especial preocupación. Algunos sistemas se desarrollan o evaluado en datos demasiado limitados o inapropiados para el entorno médico previsto La falta de una secuencia bien establecida de pasos de evaluación para convertir prototipos prometedores en pruebas adecuadamente evaluadas Los sistemas médicos limitan la utilización médica de los sistemas de aprendizaje profundo.
Millones de parámetros ajustables
El aprendizaje profundo facilita la utilización de grandes conjuntos de datos a través del aprendizaje directo de las correlaciones entre los datos de entrada sin procesar y la salida objetivo, proporcionando sistemas que pueden usar estructuras intrincadas en datos de entrada de alta dimensión para modelar la asociación con la salida objetivo con precisión. Mientras que las técnicas de aprendizaje automático supervisado tradicionalmente utilizaban representaciones cuidadosamente seleccionadas de los datos de entrada para predecir el resultado objetivo, las técnicas modernas de aprendizaje profundo utilizan redes neuronales artificiales altamente flexibles para correlacionar los datos de entrada directamente con los resultados objetivo.
Las relaciones aprendidas por tal correlación directa a menudo será cierto, pero a veces puede ser un fenómeno espurio exclusivo de los datos utilizados para el aprendizaje. Los millones de parámetros ajustables hacen que las redes neuronales profundas sean capaces de funcionar correctamente en conjuntos de entrenamiento incluso cuando los resultados de destino se generan aleatoriamente y, por lo tanto, carecen por completo de sentido.
Desafíos de diseño y evaluación
El La alta capacidad de las redes neuronales genera serios desafíos para diseñar y desarrollar sistemas de aprendizaje profundo y validar su desempeño en el entorno médico previsto. Un rendimiento clínico adecuado solo será posible si el sistema tiene una buena generalización a sujetos no incluidos en los datos de entrenamiento.
Los desafíos de diseño implican seleccionar datos de entrenamiento apropiados, como la representatividad de la población objetivo. También incluye preguntas de modelado como, por ejemplo, cómo se puede aumentar artificialmente la variación de los datos de entrenamiento sin poner en peligro la relación entre los datos de entrada y las salidas objetivo en los datos de entrenamiento.
El desafío de validación incluye verificar que el sistema generalice bien. Por ejemplo, ¿funciona satisfactoriamente cuando se evalúa en poblaciones de pacientes relevantes en nuevas ubicaciones y cuando los datos de entrada se obtienen utilizando diferentes procedimientos de laboratorio o equipos alternativos? Además, los sistemas de aprendizaje profundo generalmente se desarrollan de forma iterativa, con pruebas repetidas y varios procesos de selección que pueden sesgar los resultados. Problemas de selección similares han sido reconocidos como una preocupación general para la literatura médica durante muchos años.
Por lo tanto, al seleccionar procesos de diseño y validación para sistemas de aprendizaje profundo de diagnóstico, uno debe centrarse en los desafíos de generalización y evitar problemas más clásicos. trampas en el análisis de datos.
«Para lograr un buen rendimiento para los nuevos pacientes, es crucial usar varios datos de entrenamiento. La variación natural siempre es esencial, pero también lo es introducir una variación artificial. Estos tipos de variación se complementan entre sí y facilitar una buena generalización», dice Kleppe.
Explore más
Aprendizaje profundo en el servicio de urgencias Más información: Andreas Kleppe et al. Diseño de estudios de aprendizaje profundo en el diagnóstico del cáncer, Nature Reviews Cancer (2021). DOI: 10.1038/s41568-020-00327-9 Información de la revista: Nature Reviews Cancer
Proporcionado por el Hospital Universitario de Oslo Cita: Diseño y evaluación de sistemas médicos de aprendizaje profundo ( 2021, 5 de febrero) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-02-medical-deep.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.