Las im\u00e1genes de prueba se dividen en tres subconjuntos. Im\u00e1genes con: (11 a) incertidumbre baja (11 b) incertidumbre media y (11 c) incertidumbre alta. Una reducci\u00f3n de la dimensionalidad de las im\u00e1genes revela que las im\u00e1genes con baja incertidumbre (11 a) muestran una clara distinci\u00f3n entre las im\u00e1genes benignas y malignas. Estas son las im\u00e1genes con baja incertidumbre que se separan f\u00e1cilmente en dimensiones bajas y el modelo de aprendizaje autom\u00e1tico tiene confianza para clasificar estas im\u00e1genes. Mientras que las im\u00e1genes con alta incertidumbre se distribuyen aleatoriamente en tres dimensiones (11 c). Para im\u00e1genes de incertidumbre media, las im\u00e1genes se agrupan sin una clara distinci\u00f3n de clases. As\u00ed, explicamos la incertidumbre cuantificada por el modelo de aprendizaje autom\u00e1tico. Cr\u00e9dito: Ponkrshnan Thiagarajan <\/p>\n
Un modelo de aprendizaje autom\u00e1tico desarrollado por Michigan Tech utiliza la probabilidad para clasificar con mayor precisi\u00f3n el c\u00e1ncer de mama que se muestra en las im\u00e1genes histopatol\u00f3gicas y evaluar la incertidumbre de sus predicciones. <\/p>\n
El c\u00e1ncer de mama es el c\u00e1ncer m\u00e1s com\u00fan con la tasa de mortalidad m\u00e1s alta. La detecci\u00f3n y el diagn\u00f3stico r\u00e1pidos disminuyen el impacto de la enfermedad. Sin embargo, la clasificaci\u00f3n del c\u00e1ncer de mama utilizando im\u00e1genes de histopatolog\u00eda de tejidos y c\u00e9lulas examinadas bajo un microscopio es una tarea desafiante debido al sesgo en los datos y la falta de disponibilidad de datos anotados en grandes cantidades. La detecci\u00f3n autom\u00e1tica de c\u00e1ncer de mama mediante la red neuronal convolucional (CNN), una t\u00e9cnica de aprendizaje autom\u00e1tico, se ha mostrado prometedora, pero est\u00e1 asociada con un alto riesgo de falsos positivos y falsos negativos.<\/p>\n
Sin ninguna medida de confianza, tales falsos Las predicciones de CNN podr\u00edan conducir a resultados catastr\u00f3ficos. Pero un nuevo modelo de aprendizaje autom\u00e1tico desarrollado por investigadores de la Universidad Tecnol\u00f3gica de Michigan puede evaluar la incertidumbre en sus predicciones al clasificar los tumores benignos y malignos, lo que ayuda a reducir este riesgo.<\/p>\n
En su art\u00edculo publicado recientemente en la revista IEEE Transactions on Im\u00e1genes m\u00e9dicas, los estudiantes graduados de ingenier\u00eda mec\u00e1nica Ponkrshnan Thiagarajan y Pushkar Khairnar y Susanta Ghosh, profesora asistente de ingenier\u00eda mec\u00e1nica y experta en aprendizaje autom\u00e1tico, describen su novedoso modelo de aprendizaje autom\u00e1tico probabil\u00edstico, que supera a modelos similares.<\/p>\n
\u00abCualquier aprendizaje autom\u00e1tico algoritmo que se ha desarrollado hasta ahora tendr\u00e1 cierta incertidumbre en su predicci\u00f3n\u00bb, dijo Thiagarajan. \u00abHay pocas formas de cuantificar esas incertidumbres. Incluso si un algoritmo nos dice que una persona tiene c\u00e1ncer, no sabemos el nivel de confianza en esa predicci\u00f3n\u00bb.<\/p>\n
De la experiencia viene la confianza<\/p>\n
En el contexto m\u00e9dico, no saber qu\u00e9 tan seguro es un algoritmo ha dificultado confiar en las predicciones generadas por computadora. El presente modelo es una extensi\u00f3n de la red neuronal bayesiana, un modelo de aprendizaje autom\u00e1tico que puede evaluar una imagen y producir una salida. Los par\u00e1metros de este modelo se tratan como variables aleatorias que facilitan la cuantificaci\u00f3n de la incertidumbre. <\/p>\n
El modelo de Michigan Tech diferencia entre clases negativas y positivas mediante el an\u00e1lisis de las im\u00e1genes, que en su nivel m\u00e1s b\u00e1sico son colecciones de p\u00edxeles. Adem\u00e1s de esta clasificaci\u00f3n, el modelo puede medir la incertidumbre en sus predicciones.<\/p>\n
En un laboratorio m\u00e9dico, dicho modelo promete ahorros de tiempo al clasificar im\u00e1genes m\u00e1s r\u00e1pido que un t\u00e9cnico de laboratorio. Y, debido a que el modelo puede evaluar su propio nivel de certeza, puede remitir las im\u00e1genes a un experto humano cuando tiene menos confianza.<\/p>\n
Pero, \u00bfpor qu\u00e9 un ingeniero mec\u00e1nico crea algoritmos para la comunidad m\u00e9dica? La idea de Thiagarajan se encendi\u00f3 cuando comenz\u00f3 a utilizar el aprendizaje autom\u00e1tico para reducir el tiempo computacional necesario para los problemas de ingenier\u00eda mec\u00e1nica. Ya sea que un c\u00e1lculo eval\u00fae la deformaci\u00f3n de los materiales de construcci\u00f3n o determine si alguien tiene c\u00e1ncer de mama, es importante conocer la incertidumbre de ese c\u00e1lculo; las ideas clave siguen siendo las mismas.<\/p>\n
\u00abEl c\u00e1ncer de mama es uno de los c\u00e1nceres que tiene la mortalidad m\u00e1s alta y la incidencia m\u00e1s alta\u00bb, dijo Thiagarajan. \u00abCreemos que este es un problema emocionante en el que mejores algoritmos pueden tener un impacto directo en la vida de las personas\u00bb.<\/p>\n
Pr\u00f3ximos pasos<\/p>\n
Ahora que su estudio ha sido publicado, los investigadores ampliar\u00e1n el modelo para la clasificaci\u00f3n multiclase del c\u00e1ncer de mama. Su objetivo ser\u00e1 detectar subtipos de c\u00e1ncer adem\u00e1s de clasificar tejidos benignos y malignos. Y el modelo, aunque se desarroll\u00f3 utilizando im\u00e1genes histopatol\u00f3gicas de c\u00e1ncer de mama, tambi\u00e9n se puede ampliar para otros diagn\u00f3sticos m\u00e9dicos.<\/p>\n
\u00abA pesar de la promesa de los modelos de clasificaci\u00f3n basados en el aprendizaje autom\u00e1tico, sus predicciones sufren incertidumbres debido a la aleatoriedad inherente y el sesgo en los datos y la escasez de grandes conjuntos de datos\u00bb, dijo Ghosh. \u00abNuestro trabajo intenta abordar estos problemas y cuantifica, usa y explica la incertidumbre\u00bb.<\/p>\n
En \u00faltima instancia, el propio modelo de Thiagarajan, Khairnar y Ghosh, que puede evaluar si las im\u00e1genes tienen una incertidumbre de medida alta o baja e identificar cu\u00e1ndo las im\u00e1genes necesitan la Los ojos de un experto m\u00e9dico representan los pr\u00f3ximos pasos en el esfuerzo del aprendizaje autom\u00e1tico. <\/p>\n
Explore m\u00e1s<\/p>\n
Un nuevo m\u00e9todo de aprendizaje autom\u00e1tico mejora las pruebas de c\u00e9lulas tumorales similares a las madres para la investigaci\u00f3n del c\u00e1ncer de mama M\u00e1s informaci\u00f3n:<\/strong> Ponkrshnan Thiagarajan et al, Explicaci\u00f3n y uso de la incertidumbre obtenida por la red neuronal bayesiana Clasificadores para im\u00e1genes de histopatolog\u00eda mamaria, IEEE Transactions on Medical Imaging (2021). DOI: 10.1109\/TMI.2021.3123300 Proporcionado por la Universidad Tecnol\u00f3gica de Michigan Cita<\/strong>: El aprendizaje autom\u00e1tico reduce la incertidumbre en los diagn\u00f3sticos de c\u00e1ncer de mama (2021, 1 de diciembre) consultado el 29 de agosto de 2022 en https:\/\/medicalxpress.com\/news\/ 2021-12-machine-uncertainty-breast-cancer.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":" Las im\u00e1genes de prueba se dividen en tres subconjuntos. Im\u00e1genes con: (11 a) incertidumbre baja (11 b) incertidumbre media y (11 c) incertidumbre alta. Una reducci\u00f3n de la dimensionalidad de las im\u00e1genes revela que las im\u00e1genes con baja incertidumbre (11 a) muestran una clara distinci\u00f3n entre las im\u00e1genes benignas y malignas. Estas son las im\u00e1genes … Continuar leyendo \u00abEl aprendizaje autom\u00e1tico reduce la incertidumbre en los diagn\u00f3sticos de c\u00e1ncer de mama\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-5535","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/5535","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=5535"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/5535\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=5535"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=5535"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=5535"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}