Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Un meilleur modèle d'apprendre profondément des études peut mener à une transformation plus rapide des pratiques médicales

Un article de point de vue neuf dans le cancer de révisions de nature discute des raisons du progrès modéré et décrit des remèdes conçus pour faciliter le passage à la clinique.

Le modèle meilleur d'apprendre profondément des études peut-il mener à la transformation plus rapide des pratiques médicales ? Selon les auteurs du modèle apprenant profondément étudie dans la diagnose de cancer dans édition du cancer de révisions de nature la dernière, la réponse est oui.

- Nous proposons que plusieurs organes de protocole qui devraient être définis avant l'évaluation la cohorte externe indique le premier auteur Andreas Kleppe du papier à l'institut pour la diagnose et l'informatique de cancer à l'hôpital d'Oslo Univerity.

- De cette façon, le bilan devient rigoureux et plus fiable. De tels bilans expliqueraient beaucoup que les systèmes sont susceptibles de fonctionner bien dans la pratique clinique, et ces systèmes devraient être encore évalués dans des essais cliniques randomisés de la phase III.

La mise en place lente est en partie une conséquence naturelle du temps nécessaire pour évaluer et adapter des systèmes affectant la demande de règlement patiente. Cependant, beaucoup d'études évaluant les systèmes fiables sont au haut risque de la polarisation.

Selon Kleppe, même parmi les études apparemment les meilleures qui évaluent les cohortes externes, peu prédéfinissez l'analyse primaire. Les adaptations du système apprenant profond, du choix patient, ou de la méthodologie d'analyse peuvent effectuer les résultats ont présenté sur-optimiste.

Le manque fréquent de bilan rigoureux des caractéristiques externes est d'intérêt particulier. Quelques systèmes sont développés ou évalués sur des caractéristiques trop étroites ou inadéquates pour le cadre médical destiné. Le manque d'une séquence bien établie de bilan fait un pas pour convertir les prototypes prometteurs en utilisation médicale profonde médicale de systèmes de systèmes apprenants correctement évalués de limites.

Millions de paramètres réglables

Apprendre profondément facilite l'utilisation de grands ensembles de données par apprendre direct des corrélations entre les caractéristiques d'entrée et la sortie crues d'objectif, fournissant les systèmes qui peuvent employer les structures compliquées dans des caractéristiques d'entrée haut-dimensionnelles pour modéliser l'association avec l'objectif sorti exactement.

Considérant que dirigé les représentations soigneusement sélectées traditionnellement utilisées de techniques d'apprentissage automatique des caractéristiques d'entrée pour prévoir la sortie d'objectif, des méthodes d'apprentissage profondes modernes emploient les réseaux neuronaux artificiels hautement flexibles pour marquer des caractéristiques d'entrée directement avec les sorties d'objectif.

Les rapports appris par une telle corrélation directe souvent seront vrais mais peuvent parfois être de faux phénomènes exclusifs aux caractéristiques utilisées pour apprendre. Les millions de paramètres réglables rendent les réseaux neuronaux profonds capables d'exécuter correctement dans des jeux de formation même lorsque les sorties d'objectif sont fait au hasard produites et, en conséquence, tout à fait sans signification.

Défis de modèle et de bilan

La grande capacité de réseaux neuronaux induit des défis sévères pour concevoir et développer les systèmes apprenants profondément et valider leur rendement dans le cadre médical destiné. Un rendement clinique adéquat sera seulement possible si le système a le bon generalizability aux sujets non compris dans les caractéristiques de formation.

Les défis de modèle concernent sélecter des caractéristiques appropriées de formation, telles que la représentativité de la population cible. Elle comprend également modéliser des questions telles que la façon dont la variation des caractéristiques de formation peut être artificiellement augmentée sans compromettre la relation entre les caractéristiques d'entrée et les sorties d'objectif dans les caractéristiques de formation.

Le défi de validation comprend vérifier que le système généralise bien. Par exemple, exécute-t-il d'une manière satisfaisante une fois évalué sur les populations des patients appropriées à l'emplacement neuf et quand des caractéristiques d'entrée sont obtenues utilisant différentes procédures de laboratoire ou matériel alternatif ?

D'ailleurs, des systèmes apprenants profonds sont type développés itérativement, avec le contrôle répété et les choix variés qui peuvent polariser des résultats. Des éditions assimilées de choix ont été identifiées comme préoccupation générale pour les documents médicaux depuis de nombreuses années.

Ainsi, en sélectant le modèle et les processus de validation pour les systèmes apprenants profonds diagnostiques, on devrait se concentrer sur les défis de généralisation et éviter des pièges plus classiques dans l'analyse de caractéristiques.

- Pour réaliser le bon rendement pour les patients neufs, il est essentiel d'employer des caractéristiques variées de formation. La variation naturelle est toujours essentielle, mais ainsi introduit la variation artificielle. Ces types de variation se complètent et facilitent le bon generalisability, dit Kleppe.

Source:
Journal reference:

Kleppe, A., et al. (2021) Designing deep learning studies in cancer diagnostics. Nature Reviews Cancer. doi.org/10.1038/s41568-020-00327-9.