Las matemáticas ayudan a la IA en la biomedicina

Figura 1. Comparación del algoritmo EOS para la solución del problema de optimización [2] con métodos comunes de detección de anomalías de datos (AF) y aprendizaje de clasificador supervisado (GI) en ejemplos de datos reales y sintéticos de las referencias. 1214. Crédito: DOI: 10.1073/pnas.2119659119

«Los datos son el nuevo petróleo», se ha dicho a menudo. De hecho, en la era digital, los datos son el combustible que hace funcionar los motores de los medios digitales, la informática avanzada (IA, aprendizaje automático, etc.) y, no menos importante, la investigación científica. Sin embargo, cuando se enfrentan ciertos problemas altamente complejos, los enfoques basados en datos pueden no ser siempre las soluciones más efectivas. En el Instituto de Computación de la USI (Facultad de Informática), la Prof. Illia Horenko ha ideado una sólida estrategia de aprendizaje de modelo unificado basada en soluciones nuevas y muy eficientes para los problemas matemáticos y estadísticos tradicionales, lo que se abre a desarrollos significativos en campos como la atención médica. Su trabajo se publica en PNAS.

Cuando se trata del organismo humano y las enfermedades, la cantidad de variables y características del paciente conocidas y desconocidas pueden superar fácilmente a los datos disponibles para analizar. Además, especialmente en las aplicaciones biomédicas, los datos disponibles suelen estar contaminados con anomalías, valores atípicos, errores de medición y de etiquetado. La idea detrás de la estrategia computacional propuesta por el Prof. Horenko, llamada Entropic Outlier Sparsification (EOS), es mejorar el aprendizaje de los datos y la precisión de las predicciones cuando hay anomalías en los datos y valores atípicos mediante la explotación del potencial del aprendizaje novedoso basado en las matemáticas y métodos matemáticos. Un campo con un enorme potencial para adoptar este tipo de estrategia es el de la biomedicina y la asistencia sanitaria. Por ejemplo, el gran potencial aún no descubierto de tales métodos es mejorar el diagnóstico de las enfermedades cardiovasculares (ECV): según la Organización Mundial de la Salud, las ECV son responsables de aproximadamente un tercio de la mortalidad mundial, y cada año representan alrededor de 18 millones de muertes en todo el mundo (y más de 21 000 muertes anuales solo en Suiza).

«Por ejemplo, EOS puede ayudar a lograr una mejora de precisión estadísticamente significativa al predecir la mortalidad del paciente por insuficiencia cardíaca, en comparación con los métodos de aprendizaje comunes adoptados actualmente para este propósito «, dice el profesor Horenko. «Esta mejora puede significar potencialmente diagnósticos más oportunos y correctos y un tratamiento clínico más adecuado para un número significativo de personas en Suiza y en todo el mundo».

Explore más

Desarrollo de una técnica de predicción de IA versátil y precisa, incluso con una pequeña cantidad de experimentos Más información: Illia Horenko, Aprendizaje sólido y económico de anomalías de datos con dispersión de valores atípicos entrópicos resolubles analíticamente , Actas de la Academia Nacional de Ciencias (2022). DOI: 10.1073/pnas.2119659119 Información de la revista: Actas de la Academia Nacional de Ciencias

Proporcionado por Universit della Svizzera italiana Cita: Las matemáticas ayudan a la IA en la biomedicina (2022) , 28 de febrero) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-02-mathematics-ai-biomedicine.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.