Dise\u00f1o de estudios de aprendizaje profundo en el diagn\u00f3stico del c\u00e1ncer. Cr\u00e9dito: Hospital Universitario de Oslo <\/p>\n
\u00bfPuede un mejor dise\u00f1o de los estudios de aprendizaje profundo conducir a una transformaci\u00f3n m\u00e1s r\u00e1pida de las pr\u00e1cticas m\u00e9dicas? Seg\u00fan los autores de \u00abDise\u00f1o de estudios de aprendizaje profundo en el diagn\u00f3stico del c\u00e1ncer\u00bb, publicado en el \u00faltimo n\u00famero de Nature Reviews Cancer, la respuesta es s\u00ed. <\/p>\n
\u00abProponemos varios elementos del protocolo que deben definirse antes de evaluar la cohorte externa\u00bb, dice el primer autor, Andreas Kleppe, del Instituto de Diagn\u00f3stico del C\u00e1ncer e Inform\u00e1tica del Hospital Universitario de Oslo\u00bb.<\/p>\n
\u00abDe esta manera, la evaluaci\u00f3n se vuelve rigurosa y m\u00e1s confiable. Dichas evaluaciones dejar\u00edan mucho m\u00e1s claro qu\u00e9 sistemas tienen probabilidades de funcionar bien en la pr\u00e1ctica cl\u00ednica, y estos sistemas deben evaluarse m\u00e1s en ensayos cl\u00ednicos aleatorizados de fase III\u00bb.<\/p>\n
La implementaci\u00f3n 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 eval\u00faan sistemas que funcionan bien tienen un alto riesgo de sesgo.<\/p>\n
Seg\u00fan Kleppe, incluso entre los aparentemente mejores estudios que eval\u00faan cohortes externas, pocos predefinen el an\u00e1lisis primario. Las adaptaciones del sistema de aprendizaje profundo, la selecci\u00f3n de pacientes o la metodolog\u00eda de an\u00e1lisis pueden hacer que los resultados presentados sean demasiado optimistas.<\/p>\n
La frecuente falta de una evaluaci\u00f3n estricta de los datos externos es motivo de especial preocupaci\u00f3n. Algunos sistemas se desarrollan o evaluado en datos demasiado limitados o inapropiados para el entorno m\u00e9dico previsto La falta de una secuencia bien establecida de pasos de evaluaci\u00f3n para convertir prototipos prometedores en pruebas adecuadamente evaluadas Los sistemas m\u00e9dicos limitan la utilizaci\u00f3n m\u00e9dica de los sistemas de aprendizaje profundo.<\/p>\n
Millones de par\u00e1metros ajustables<\/p>\n
El aprendizaje profundo facilita la utilizaci\u00f3n de grandes conjuntos de datos a trav\u00e9s 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 dimensi\u00f3n para modelar la asociaci\u00f3n con la salida objetivo con precisi\u00f3n. Mientras que las t\u00e9cnicas de aprendizaje autom\u00e1tico supervisado tradicionalmente utilizaban representaciones cuidadosamente seleccionadas de los datos de entrada para predecir el resultado objetivo, las t\u00e9cnicas modernas de aprendizaje profundo utilizan redes neuronales artificiales altamente flexibles para correlacionar los datos de entrada directamente con los resultados objetivo.<\/p>\n
Las relaciones aprendidas por tal correlaci\u00f3n directa a menudo ser\u00e1 cierto, pero a veces puede ser un fen\u00f3meno espurio exclusivo de los datos utilizados para el aprendizaje. Los millones de par\u00e1metros 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.<\/p>\n
Desaf\u00edos de dise\u00f1o y evaluaci\u00f3n<\/p>\n
El La alta capacidad de las redes neuronales genera serios desaf\u00edos para dise\u00f1ar y desarrollar sistemas de aprendizaje profundo y validar su desempe\u00f1o en el entorno m\u00e9dico previsto. Un rendimiento cl\u00ednico adecuado solo ser\u00e1 posible si el sistema tiene una buena generalizaci\u00f3n a sujetos no incluidos en los datos de entrenamiento.<\/p>\n
Los desaf\u00edos de dise\u00f1o implican seleccionar datos de entrenamiento apropiados, como la representatividad de la poblaci\u00f3n objetivo. Tambi\u00e9n incluye preguntas de modelado como, por ejemplo, c\u00f3mo se puede aumentar artificialmente la variaci\u00f3n de los datos de entrenamiento sin poner en peligro la relaci\u00f3n entre los datos de entrada y las salidas objetivo en los datos de entrenamiento.<\/p>\n
El desaf\u00edo de validaci\u00f3n incluye verificar que el sistema generalice bien. Por ejemplo, \u00bffunciona satisfactoriamente cuando se eval\u00faa en poblaciones de pacientes relevantes en nuevas ubicaciones y cuando los datos de entrada se obtienen utilizando diferentes procedimientos de laboratorio o equipos alternativos? Adem\u00e1s, los sistemas de aprendizaje profundo generalmente se desarrollan de forma iterativa, con pruebas repetidas y varios procesos de selecci\u00f3n que pueden sesgar los resultados. Problemas de selecci\u00f3n similares han sido reconocidos como una preocupaci\u00f3n general para la literatura m\u00e9dica durante muchos a\u00f1os.<\/p>\n
Por lo tanto, al seleccionar procesos de dise\u00f1o y validaci\u00f3n para sistemas de aprendizaje profundo de diagn\u00f3stico, uno debe centrarse en los desaf\u00edos de generalizaci\u00f3n y evitar problemas m\u00e1s cl\u00e1sicos. trampas en el an\u00e1lisis de datos.<\/p>\n
\u00abPara lograr un buen rendimiento para los nuevos pacientes, es crucial usar varios datos de entrenamiento. La variaci\u00f3n natural siempre es esencial, pero tambi\u00e9n lo es introducir una variaci\u00f3n artificial. Estos tipos de variaci\u00f3n se complementan entre s\u00ed y facilitar una buena generalizaci\u00f3n\u00bb, dice Kleppe. <\/p>\n
Explore m\u00e1s<\/p>\n
Aprendizaje profundo en el servicio de urgencias M\u00e1s informaci\u00f3n:<\/strong> Andreas Kleppe et al. Dise\u00f1o de estudios de aprendizaje profundo en el diagn\u00f3stico del c\u00e1ncer, Nature Reviews Cancer (2021). DOI: 10.1038\/s41568-020-00327-9 Informaci\u00f3n de la revista:<\/strong> Nature Reviews Cancer <\/p>\n Proporcionado por el Hospital Universitario de Oslo Cita<\/strong>: Dise\u00f1o y evaluaci\u00f3n de sistemas m\u00e9dicos 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 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":" Dise\u00f1o de estudios de aprendizaje profundo en el diagn\u00f3stico del c\u00e1ncer. Cr\u00e9dito: Hospital Universitario de Oslo \u00bfPuede un mejor dise\u00f1o de los estudios de aprendizaje profundo conducir a una transformaci\u00f3n m\u00e1s r\u00e1pida de las pr\u00e1cticas m\u00e9dicas? Seg\u00fan los autores de \u00abDise\u00f1o de estudios de aprendizaje profundo en el diagn\u00f3stico del c\u00e1ncer\u00bb, publicado en el \u00faltimo … Continuar leyendo \u00abDise\u00f1o y evaluaci\u00f3n de sistemas m\u00e9dicos de aprendizaje profundo\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-16183","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/16183","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=16183"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/16183\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=16183"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=16183"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=16183"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}