El aprendizaje profundo, un poderoso modelo de aprendizaje autom\u00e1tico, podr\u00eda guiar a los m\u00e9dicos y trabajadores de la salud a sopesar las opciones de tratamiento y atenci\u00f3n, seg\u00fan un equipo de investigadores de Great Valley. Cr\u00e9dito: Wikimedia <\/p>\n
Es posible que alg\u00fan d\u00eda los m\u00e9dicos y trabajadores de la salud usen un modelo de aprendizaje autom\u00e1tico, llamado aprendizaje profundo, para guiar sus decisiones de tratamiento para pacientes con c\u00e1ncer de pulm\u00f3n, seg\u00fan un equipo de investigadores de Penn State Great Valley. <\/p>\n
En un estudio, los investigadores informan que desarrollaron un modelo de aprendizaje profundo que, en ciertas condiciones, tuvo una precisi\u00f3n de m\u00e1s del 71 % en la predicci\u00f3n de la expectativa de supervivencia de los pacientes con c\u00e1ncer de pulm\u00f3n, significativamente mejor que los modelos tradicionales de aprendizaje autom\u00e1tico que prob\u00f3 el equipo. Los otros modelos de aprendizaje autom\u00e1tico que prob\u00f3 el equipo ten\u00edan una tasa de precisi\u00f3n de alrededor del 61 %.<\/p>\n
La informaci\u00f3n sobre la expectativa de supervivencia de un paciente podr\u00eda ayudar a guiar a los m\u00e9dicos y cuidadores a tomar mejores decisiones sobre el uso de medicamentos, la asignaci\u00f3n de recursos y la determinaci\u00f3n de la intensidad de cuidado de los pacientes, seg\u00fan Youakim Badr, profesor asociado de an\u00e1lisis de datos.<\/p>\n
\u00abEste es un sistema de alto rendimiento que es muy preciso y tiene como objetivo ayudar a los m\u00e9dicos a tomar estas decisiones importantes sobre la atenci\u00f3n de sus pacientes \u00ab, dijo Badr. \u00abPor supuesto, esta herramienta no se puede utilizar como sustituto de un m\u00e9dico en la toma de decisiones sobre tratamientos para el c\u00e1ncer de pulm\u00f3n\u00bb.<\/p>\n
Seg\u00fan Robin G. Qiu, profesor de ciencias de la informaci\u00f3n e ingenier\u00eda y afiliado de el Instituto de Ciencias Computacionales y de Datos, el modelo puede analizar una gran cantidad de datos, t\u00edpicamente llamados caracter\u00edsticas en aprendizaje autom\u00e1tico, que describen a los pacientes y la enfermedad para comprender c\u00f3mo una combinaci\u00f3n de factores afecta los per\u00edodos de supervivencia del c\u00e1ncer de pulm\u00f3n. Las funciones pueden incluir informaci\u00f3n como los tipos de c\u00e1ncer, el tama\u00f1o de los tumores, la velocidad de crecimiento del tumor y datos demogr\u00e1ficos.<\/p>\n
\u00bfQu\u00e9 es el aprendizaje profundo?<\/p>\n
El aprendizaje profundo puede ser especialmente adecuado para abordar el pron\u00f3stico del c\u00e1ncer de pulm\u00f3n porque el modelo puede proporcionar el an\u00e1lisis s\u00f3lido necesario en la investigaci\u00f3n del c\u00e1ncer, seg\u00fan los investigadores, que informan sobre sus hallazgos en International Journal of Medical Informatics. El aprendizaje profundo es un tipo de aprendizaje autom\u00e1tico que se basa en redes neuronales artificiales, que generalmente se modelan sobre c\u00f3mo funciona la propia red neuronal del cerebro humano.<\/p>\n
En el aprendizaje profundo, sin embargo, los desarrolladores aplican una estructura sofisticada de m\u00faltiples capas de estas neuronas artificiales, raz\u00f3n por la cual el modelo se denomina \u00abprofundo\u00bb. El aspecto de aprendizaje del aprendizaje profundo proviene de c\u00f3mo el sistema aprende de las conexiones entre los datos y las etiquetas, dijo Badr.<\/p>\n
\u00abEl aprendizaje profundo es un algoritmo de aprendizaje autom\u00e1tico que establece asociaciones entre los datos, en s\u00ed mismos y las etiquetas que usamos para describir los ejemplos de datos\u00bb, dijo Badr. \u00abAl hacer estas asociaciones, aprende de los datos\u00bb.<\/p>\n
Qiu agreg\u00f3 que la estructura del aprendizaje profundo ofrece varias ventajas para muchas tareas de ciencia de datos, especialmente cuando se enfrenta a conjuntos de datos que tienen una gran cantidad de registros, en este caso , pacientes, as\u00ed como una gran cantidad de funciones.<\/p>\n
\u00abMejora enormemente el rendimiento\u00bb, dijo Qiu. \u00abEn el aprendizaje profundo podemos profundizar, por eso lo llaman as\u00ed. En el aprendizaje autom\u00e1tico tradicional, tienes una estructura simple de capas de redes neuronales. En cada capa, tienes un grupo de c\u00e9lulas. En el aprendizaje profundo, hay muchas capas de estas celdas que se pueden dise\u00f1ar en una estructura sofisticada para realizar una mejor transformaci\u00f3n y extracci\u00f3n de caracter\u00edsticas, lo que le brinda la capacidad de mejorar a\u00fan m\u00e1s la precisi\u00f3n de cualquier modelo\u00bb.<\/p>\n
En el futuro, los investigadores quisiera mejorar el modelo y probar su capacidad para analizar otros tipos de c\u00e1nceres y condiciones m\u00e9dicas.<\/p>\n
\u00abLa tasa de precisi\u00f3n es buena, pero no es perfecta, por lo que parte de nuestro trabajo futuro es mejorar el modelo, \u00bb dijo Qiu.<\/p>\n
Para mejorar a\u00fan m\u00e1s su modelo de aprendizaje profundo, los investigadores tambi\u00e9n necesitar\u00edan conectarse con expertos en el dominio, que son personas que tienen conocimientos espec\u00edficos. En este caso, a los investigadores les gustar\u00eda conectarse con expertos en c\u00e1nceres y condiciones m\u00e9dicas espec\u00edficas.<\/p>\n
\u00abEn muchos casos, es posible que no sepamos muchas caracter\u00edsticas que deber\u00edan incluirse en el modelo\u00bb, dijo Qiu. \u00abPero, al colaborar con expertos en el campo, podr\u00edan ayudarnos a recopilar caracter\u00edsticas importantes sobre los pacientes de las que quiz\u00e1s no estemos conscientes y eso mejorar\u00eda a\u00fan m\u00e1s el modelo\u00bb.<\/p>\n
Los investigadores analizaron datos de Surveillance, Epidemiology y el programa Resultados finales (SEER). El conjunto de datos SEER es una de las bases de datos m\u00e1s grandes y completas sobre informaci\u00f3n de diagn\u00f3stico temprano para pacientes con c\u00e1ncer en los Estados Unidos, seg\u00fan Shreyesh Doppalapudi, asistente de investigaci\u00f3n de estudiantes graduados y primer autor del art\u00edculo. Los registros de c\u00e1ncer del programa cubren casi el 35 % de los pacientes de c\u00e1ncer de EE. UU.<\/p>\n
\u00abUna de las cosas realmente buenas de estos datos es que cubre una gran parte de la poblaci\u00f3n y es muy diversa\u00bb, dijo Doppalapudi. \u00abOtra cosa buena es que cubre muchas funciones diferentes, que puede usar para muchos prop\u00f3sitos diferentes. Esto se vuelve muy valioso, especialmente cuando se usan enfoques de aprendizaje autom\u00e1tico\u00bb.<\/p>\n
Doppalapudi agreg\u00f3 que el equipo compar\u00f3 varios enfoques de aprendizaje profundo, incluidas las redes neuronales artificiales, las redes neuronales convolucionales y las redes neuronales recurrentes, hasta los modelos tradicionales de aprendizaje autom\u00e1tico. Los enfoques de aprendizaje profundo funcionaron mucho mejor que los m\u00e9todos tradicionales de aprendizaje autom\u00e1tico, dijo.<\/p>\n
La arquitectura de aprendizaje profundo es m\u00e1s adecuada para procesar conjuntos de datos tan grandes y diversos, como el programa SEER, seg\u00fan Doppalapudi. Trabajar en este tipo de conjuntos de datos requiere una capacidad computacional robusta. En este estudio, los investigadores confiaron en la supercomputadora Roar de ICDS.<\/p>\n
Con alrededor de 800 000 a 900 000 entradas en el conjunto de datos SEER, los investigadores dijeron que encontrar manualmente estas asociaciones en los datos con un equipo completo de investigadores m\u00e9dicos ser\u00eda extremadamente dif\u00edcil sin la ayuda del aprendizaje autom\u00e1tico.<\/p>\n
Si fueran solo tres campos, dir\u00eda que ser\u00eda imposible y ten\u00edamos alrededor de 150 campos\u00bb, dijo Doppalapudi. \u00abComprender todos esos campos diferentes y luego leer y aprender a partir de esa informaci\u00f3n, ser\u00eda imposible\u00bb. <\/p>\n
Explorar m\u00e1s<\/p>\n
Identificar y evaluar la fragilidad en personas con diabetes debe ser una prioridad, para tratar y controlar mejor M\u00e1s informaci\u00f3n:<\/strong> Shreyesh Doppalapudi et al. Predicci\u00f3n y comprensi\u00f3n del per\u00edodo de supervivencia del c\u00e1ncer de pulm\u00f3n: enfoques de aprendizaje profundo, International Journal of Medical Informatics (2020).DOI: 10.1016\/j.ijmedinf.2020.104371 Proporcionado por la Universidad Estatal de Pensilvania Cita: El aprendizaje profundo puede ayudar a los m\u00e9dicos a elegir mejores tratamientos para el c\u00e1ncer de pulm\u00f3n (17 de febrero de 2021) consultado el 30 de agosto de 2022 en https:\/\/medicalxpress.com\/news\/2021-02-deep-doctors-lung-cancer-treatments.html documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" El aprendizaje profundo, un poderoso modelo de aprendizaje autom\u00e1tico, podr\u00eda guiar a los m\u00e9dicos y trabajadores de la salud a sopesar las opciones de tratamiento y atenci\u00f3n, seg\u00fan un equipo de investigadores de Great Valley. Cr\u00e9dito: Wikimedia Es posible que alg\u00fan d\u00eda los m\u00e9dicos y trabajadores de la salud usen un modelo de aprendizaje autom\u00e1tico, … Continuar leyendo \u00abEl aprendizaje profundo puede ayudar a los m\u00e9dicos a elegir mejores tratamientos para el c\u00e1ncer de pulm\u00f3n\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-15252","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15252","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=15252"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15252\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=15252"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=15252"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=15252"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}