Aprendizaje profundo ‘autoentrenado’ para mejorar el diagnóstico de enfermedades
Nuestro modelo ResNet-18 entrenado con un 85 % de datos menos etiquetados coincide con los modelos sobreparametrizados entrenados con los datos completos de 138k. Crédito: arXiv:2005.02231v2 [cs.CV]
Un nuevo trabajo de científicos informáticos del Laboratorio Nacional Lawrence Livermore (LLNL) e IBM Research sobre modelos de aprendizaje profundo para diagnosticar con precisión enfermedades a partir de imágenes de rayos X con datos menos etiquetados ganó el Premio a la Mejor Premio Paper for Computer-Aided Diagnosis en la SPIE Medical Imaging Conference el 19 de febrero.
La técnica, que incluye nuevas estrategias de regularización y «autoformación», aborda algunos desafíos bien conocidos en la adopción de inteligencia artificial (IA ) para el diagnóstico de enfermedades, a saber, la dificultad para obtener abundantes datos etiquetados debido a problemas de costo, esfuerzo o privacidad y los sesgos de muestreo inherentes en los datos recopilados, dijeron los investigadores. Actualmente, los algoritmos de IA tampoco pueden diagnosticar de manera efectiva condiciones que no están suficientemente representadas en los datos de entrenamiento.
El científico informático de LLNL, Jay Thiagarajan, dijo que el enfoque del equipo demuestra que se pueden crear modelos precisos con datos etiquetados limitados y realizar tan bien o incluso mejor que las redes neuronales entrenadas en conjuntos de datos etiquetados mucho más grandes. El artículo, publicado por SPIE, incluyó coautores de IBM Research Almaden en San José.
«La creación rápida de modelos predictivos se está volviendo más importante en el cuidado de la salud», explicó Thiagarajan. «Hay un problema fundamental que estamos tratando de abordar. Los datos provienen de diferentes hospitales y es difícil etiquetarlos. Los expertos no tienen tiempo para recopilarlos y anotarlos todos. A menudo se plantea como un problema de clasificación de etiquetas múltiples, donde estamos observando la presencia de múltiples enfermedades de una sola vez. Estamos ansiosos por tener suficientes datos para cada combinación de condiciones de enfermedad, por lo que creamos una nueva técnica que intenta compensar esta falta de datos utilizando estrategias de regularización que pueden hacer que el aprendizaje profundo modelos mucho más eficientes, incluso con datos limitados».
En el documento, el equipo describe un marco que utiliza estrategias que incluyen aumento de datos, moderación de la confianza y autoformación, donde un modelo inicial de «maestro» aprende exclusivamente usando datos de imágenes etiquetados, y luego entrena un modelo de «estudiante» de segunda generación usando datos etiquetados y datos adicionales no etiquetados, según la guía del maestro. Este modelo de segunda generación funciona mejor que el modelo de maestro, explicó Thiagarajan, porque ve más datos y el maestro puede proporcionar una pseudosupervisión. Sin embargo, dicho enfoque puede ser propenso al sesgo de confirmación (es decir, orientación incorrecta por parte del maestro), que se aborda mediante estrategias de aumento de datos y moderación de la confianza.
El equipo aplicó su enfoque de aprendizaje a conjuntos de datos de referencia del cofre X -rayos que contienen datos etiquetados y no etiquetados para diagnosticar cinco afecciones cardíacas diferentes: cardiomegalia, edema, consolidación, atelectasia y derrame pleural. Los investigadores observaron una reducción del 85 % en la cantidad de datos etiquetados necesarios para lograr el mismo rendimiento que las redes neuronales de última generación entrenadas en todo el conjunto de datos etiquetados. Eso es importante en la aplicación clínica de la IA, donde la recopilación de datos etiquetados puede ser extremadamente desafiante, dijo Thiagarajan.
«Cuando tiene datos limitados, mejorar la capacidad de los modelos para manejar datos que no ha visto antes es la mejor opción». aspecto clave que tenemos que considerar al resolver problemas de datos limitados», explicó. «No se trata de elegir el Modelo X versus el Modelo Y, se trata de cambiar fundamentalmente la forma en que entrenamos estos modelos, y hay mucho más trabajo por hacer en este espacio para que podamos lograr modelos de diagnóstico significativos para casos de uso del mundo real en cuidado de la salud».
Thiagarajan advirtió que si bien la técnica es ampliamente aplicable, los hallazgos no necesariamente se aplicarán a cada clasificación médica o problema de segmentación. Sin embargo, agregó, es un «primer paso prometedor» para democratizar los modelos de IA, creando modelos capaces de aplicarse a una amplia gama de enfermedades, entre tipos comunes y raros. En última instancia, se necesitaría entrenar un modelo efectivo con datos etiquetados limitados, generalizar a una amplia gama de condiciones y respaldar la predicción simultánea de múltiples enfermedades, agregó Thiagarajan.
Thiagarajan dijo que los próximos pasos del equipo son usar el dominio conocimiento para mejorar el marco propuesto y abordar los desequilibrios de clase mediante una mayor exploración del aumento de datos y exponiendo el modelo a más variaciones, lo que les permite ser más ampliamente aplicables.
Explore más
Los científicos califican la retinopatía diabética automáticamente mediante tecnología de aprendizaje automático. Más información: Autoformación con regularización mejorada para la clasificación de radiografías de tórax con eficiencia de muestras. arXiv:2005.02231v2 [cs.CV] 10 de febrero de 2021 arxiv.org/abs/2005.02231 Proporcionado por Lawrence Livermore National Laboratory Cita: Aprendizaje profundo ‘autodidacta’ para mejorar el diagnóstico de enfermedades (5 de marzo de 2021) ) recuperado el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-03-self-trained-deep-disease-diagnosis.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.