Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

La migliore progettazione in profondità dell'apprendimento degli studi può piombo a trasformazione più veloce delle pratiche mediche

Un articolo di nuova prospettiva nel Cancro di esami della natura discute le ragioni per il progresso moderato e descrive i rimedi destinati per facilitare la transizione alla clinica.

Può la migliore progettazione in profondità dell'apprendimento degli studi piombo alla trasformazione più veloce delle pratiche mediche? Secondo gli autori di progettazione in profondità che imparano studia nei sistemi diagnostici del cancro emissione del Cancro di esami della natura nell'ultima, la risposta è sì.

- Proponiamo che parecchi punti di protocollo che dovrebbero essere definiti prima della valutazione il gruppo esterno dica il primo furiere Andreas Kleppe del documento all'istituto per i sistemi diagnostici e l'informatica del Cancro all'ospedale di Oslo Univerity.

- In questo modo, la valutazione diventa rigorosa e più affidabile. Tali valutazioni la dichiarerebbero molto che i sistemi sono probabili funzionare bene nella pratica clinica e questi sistemi dovrebbero più ulteriormente essere valutati nei test clinici ripartiti con scelta casuale III di fase.

L'entrata in vigore lenta è parzialmente una conseguenza naturale del tempo necessario per valutare ed adattare i sistemi che pregiudicano il trattamento paziente. Tuttavia, molti studi che valutano i sistemi ben funzionanti sono ad ad alto rischio di tendenziosità.

Secondo Kleppe, anche fra gli studi apparentemente migliori che valutano i gruppi esterni, pochi predefinisca l'analisi primaria. Gli adattamenti del sistema d'insegnamento profondo, della selezione paziente, o della metodologia dell'analisi possono fare i risultati hanno presentato sovra-ottimista.

La frequente mancanza di valutazione rigorosa dei dati esterni è di interesse particolare. Alcuni sistemi sono messi a punto o valutati sui dati troppo stretti o inadeguati per la regolazione medica progettata. La mancanza di sequenza affermata della valutazione fa un passo per la conversione dei prototipi di promessa in utilizzazione medica profonda di sistemi sanitari dei sistemi d'insegnamento correttamente valutati di limiti.

Milioni di parametri regolabili

In profondità imparare facilita l'utilizzazione di grandi insiemi di dati con l'apprendimento diretto delle correlazioni fra i dati di input da rivedere e l'output dell'obiettivo, fornente i sistemi che possono utilizzare le strutture complesse nei dati di input alto-dimensionali per modellare l'associazione con l'obiettivo ha prodotto esattamente.

Considerando che sorvegliato le rappresentazioni con attenzione selezionate tradizionalmente utilizzate di tecniche di apprendimento automatico dei dati di input per predire l'output dell'obiettivo, tecniche di apprendimento profonde moderne usano le reti neurali artificiali altamente flessibili per correlare i dati di input direttamente agli output dell'obiettivo.

Le relazioni imparate da tale correlazione diretta spesso saranno vere ma possono a volte essere fenomeni spuri esclusivi ai dati utilizzati per imparare. Milioni di parametri regolabili rendono le reti neurali profonde capaci dell'esecuzione correttamente negli insiemi di addestramento anche quando gli output dell'obiettivo sono generati a caso e, pertanto, assolutamente insignificante.

Sfide di valutazione e di progettazione

La capacità elevata delle reti neurali induce le sfide severe per la progettazione e mettere a punto dei sistemi d'insegnamento in profondità e la convalida della loro prestazione nella regolazione medica progettata. Una prestazione clinica adeguata sarà soltanto possibile se il sistema ha buon generalizability agli oggetti allegati ai dati di addestramento.

Le sfide di progettazione comprendono selezionare i dati appropriati di addestramento, quale la rappresentatività della popolazione bersaglio. Egualmente comprende la modellistica delle domande come come la variazione dei dati di addestramento può essere aumentata artificialmente senza compromettere la relazione fra i dati di input e gli output dell'obiettivo nei dati di addestramento.

La sfida di convalida comprende la verifica che il sistema generalizza bene. Per esempio, esegue soddisfacentemente una volta valutata sulle popolazioni pazienti pertinenti alle nuove posizioni e quando i dati di input sono ottenuti facendo uso delle procedure di laboratorio differenti o delle attrezzature alternative?

Inoltre, i sistemi d'insegnamento profondi sono messi a punto tipicamente iteratamente, con la prova ripetuta e le procedure di selezione varie che possono influenzare i risultati. Le simili emissioni di selezione sono state riconosciute per molti anni come preoccupazione generale per la letteratura medica.

Quindi quando seleziona i trattamenti di convalida e di progettazione per i sistemi d'insegnamento profondi diagnostici, uno dovrebbe mettere a fuoco sulle sfide di generalizzazione ed impedire i trabocchetti più classici nell'analisi di dati.

- Per raggiungere la buona prestazione per i nuovi pazienti, è cruciale usare i vari dati di addestramento. La variazione naturale è sempre essenziale, ma in modo da sta introducendo la variazione artificiale. Questi tipi di variazioni si complementano e facilitano il buon generalisability, dice 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.