Nuestro modelo ResNet-18 entrenado con un 85 % de datos menos etiquetados coincide con los modelos sobreparametrizados entrenados con los datos completos de 138k. Cr\u00e9dito: arXiv:2005.02231v2 [cs.CV] <\/p>\n
Un nuevo trabajo de cient\u00edficos inform\u00e1ticos del Laboratorio Nacional Lawrence Livermore (LLNL) e IBM Research sobre modelos de aprendizaje profundo para diagnosticar con precisi\u00f3n enfermedades a partir de im\u00e1genes de rayos X con datos menos etiquetados gan\u00f3 el Premio a la Mejor Premio Paper for Computer-Aided Diagnosis en la SPIE Medical Imaging Conference el 19 de febrero. <\/p>\n
La t\u00e9cnica, que incluye nuevas estrategias de regularizaci\u00f3n y \u00abautoformaci\u00f3n\u00bb, aborda algunos desaf\u00edos bien conocidos en la adopci\u00f3n de inteligencia artificial (IA ) para el diagn\u00f3stico 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 est\u00e1n suficientemente representadas en los datos de entrenamiento.<\/p>\n
El cient\u00edfico inform\u00e1tico 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 m\u00e1s grandes. El art\u00edculo, publicado por SPIE, incluy\u00f3 coautores de IBM Research Almaden en San Jos\u00e9.<\/p>\n
\u00abLa creaci\u00f3n r\u00e1pida de modelos predictivos se est\u00e1 volviendo m\u00e1s importante en el cuidado de la salud\u00bb, explic\u00f3 Thiagarajan. \u00abHay un problema fundamental que estamos tratando de abordar. Los datos provienen de diferentes hospitales y es dif\u00edcil etiquetarlos. Los expertos no tienen tiempo para recopilarlos y anotarlos todos. A menudo se plantea como un problema de clasificaci\u00f3n de etiquetas m\u00faltiples, donde estamos observando la presencia de m\u00faltiples enfermedades de una sola vez. Estamos ansiosos por tener suficientes datos para cada combinaci\u00f3n de condiciones de enfermedad, por lo que creamos una nueva t\u00e9cnica que intenta compensar esta falta de datos utilizando estrategias de regularizaci\u00f3n que pueden hacer que el aprendizaje profundo modelos mucho m\u00e1s eficientes, incluso con datos limitados\u00bb.<\/p>\n
En el documento, el equipo describe un marco que utiliza estrategias que incluyen aumento de datos, moderaci\u00f3n de la confianza y autoformaci\u00f3n, donde un modelo inicial de \u00abmaestro\u00bb aprende exclusivamente usando datos de im\u00e1genes etiquetados, y luego entrena un modelo de \u00abestudiante\u00bb de segunda generaci\u00f3n usando datos etiquetados y datos adicionales no etiquetados, seg\u00fan la gu\u00eda del maestro. Este modelo de segunda generaci\u00f3n funciona mejor que el modelo de maestro, explic\u00f3 Thiagarajan, porque ve m\u00e1s datos y el maestro puede proporcionar una pseudosupervisi\u00f3n. Sin embargo, dicho enfoque puede ser propenso al sesgo de confirmaci\u00f3n (es decir, orientaci\u00f3n incorrecta por parte del maestro), que se aborda mediante estrategias de aumento de datos y moderaci\u00f3n de la confianza.<\/p>\n
El equipo aplic\u00f3 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 card\u00edacas diferentes: cardiomegalia, edema, consolidaci\u00f3n, atelectasia y derrame pleural. Los investigadores observaron una reducci\u00f3n del 85 % en la cantidad de datos etiquetados necesarios para lograr el mismo rendimiento que las redes neuronales de \u00faltima generaci\u00f3n entrenadas en todo el conjunto de datos etiquetados. Eso es importante en la aplicaci\u00f3n cl\u00ednica de la IA, donde la recopilaci\u00f3n de datos etiquetados puede ser extremadamente desafiante, dijo Thiagarajan.<\/p>\n
\u00abCuando tiene datos limitados, mejorar la capacidad de los modelos para manejar datos que no ha visto antes es la mejor opci\u00f3n\u00bb. aspecto clave que tenemos que considerar al resolver problemas de datos limitados\u00bb, explic\u00f3. \u00abNo 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 m\u00e1s trabajo por hacer en este espacio para que podamos lograr modelos de diagn\u00f3stico significativos para casos de uso del mundo real en cuidado de la salud\u00bb.<\/p>\n
Thiagarajan advirti\u00f3 que si bien la t\u00e9cnica es ampliamente aplicable, los hallazgos no necesariamente se aplicar\u00e1n a cada clasificaci\u00f3n m\u00e9dica o problema de segmentaci\u00f3n. Sin embargo, agreg\u00f3, es un \u00abprimer paso prometedor\u00bb para democratizar los modelos de IA, creando modelos capaces de aplicarse a una amplia gama de enfermedades, entre tipos comunes y raros. En \u00faltima instancia, se necesitar\u00eda entrenar un modelo efectivo con datos etiquetados limitados, generalizar a una amplia gama de condiciones y respaldar la predicci\u00f3n simult\u00e1nea de m\u00faltiples enfermedades, agreg\u00f3 Thiagarajan.<\/p>\n
Thiagarajan dijo que los pr\u00f3ximos pasos del equipo son usar el dominio conocimiento para mejorar el marco propuesto y abordar los desequilibrios de clase mediante una mayor exploraci\u00f3n del aumento de datos y exponiendo el modelo a m\u00e1s variaciones, lo que les permite ser m\u00e1s ampliamente aplicables. <\/p>\n
Explore m\u00e1s<\/p>\n
Los cient\u00edficos califican la retinopat\u00eda diab\u00e9tica autom\u00e1ticamente mediante tecnolog\u00eda de aprendizaje autom\u00e1tico. M\u00e1s informaci\u00f3n:<\/strong> Autoformaci\u00f3n con regularizaci\u00f3n mejorada para la clasificaci\u00f3n de radiograf\u00edas de t\u00f3rax 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<\/strong>: Aprendizaje profundo ‘autodidacta’ para mejorar el diagn\u00f3stico 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 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":" Nuestro modelo ResNet-18 entrenado con un 85 % de datos menos etiquetados coincide con los modelos sobreparametrizados entrenados con los datos completos de 138k. Cr\u00e9dito: arXiv:2005.02231v2 [cs.CV] Un nuevo trabajo de cient\u00edficos inform\u00e1ticos del Laboratorio Nacional Lawrence Livermore (LLNL) e IBM Research sobre modelos de aprendizaje profundo para diagnosticar con precisi\u00f3n enfermedades a partir de … Continuar leyendo \u00abAprendizaje profundo ‘autoentrenado’ para mejorar el diagn\u00f3stico de enfermedades\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-18776","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18776","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=18776"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18776\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=18776"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=18776"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=18776"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}