Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O melhor projecto profundamente de aprender estudos pode conduzir a uma transformação mais rápida de práticas médicas

Um artigo da nova perspectiva no cancro das revisões da natureza discute razões para o progresso moderado e descreve os remédios projetados facilitar a transição à clínica.

Pode o projecto melhor profundamente de aprender estudos conduzir à transformação mais rápida de práticas médicas? De acordo com os autores do projecto que aprendem profundamente estuda em diagnósticos do cancro na edição a mais atrasada do cancro das revisões da natureza, a resposta é yes.

- Nós propor que diversos itens do protocolo que devem ser definidos antes de avaliar a coorte externo diga o primeiro escritor Andreas Kleppe do papel no instituto para diagnósticos e informática do cancro no hospital de Oslo Univerity.

- Desta maneira, a avaliação torna-se rigorosa e mais segura. Tais avaliações fá-la-iam muito mais clara que os sistemas são prováveis trabalhar bem na prática clínica, e estes sistemas devem mais ser avaliados em ensaios clínicos randomized III da fase.

A aplicação lenta é em parte uma conseqüência natural do tempo necessário para avaliar e adaptar os sistemas que afetam o tratamento paciente. Contudo, muitos estudos que avaliam sistemas de bom funcionamentos estão no risco elevado de polarização.

De acordo com Kleppe, mesmo entre os estudos convenientemente melhores que avaliam coortes externos, poucos predefina a análise preliminar. As adaptações do sistema de aprendizagem profundo, da selecção paciente, ou da metodologia da análise podem fazer os resultados apresentaram sobre-optimista.

A falta freqüente da avaliação estrita de dados externos é da preocupação especial. Alguns sistemas são desenvolvidos ou avaliados em dados demasiado estreitos ou impróprios para o ajuste médico pretendido. A falta de uma seqüência bem conhecida da avaliação pisa convertendo protótipos prometedores na utilização médica profunda médica de sistemas de aprendizagem correctamente avaliados dos limites de sistemas.

Milhões de parâmetros ajustáveis

Profundamente aprender facilita a utilização de grandes séries de dados com da aprendizagem directa das correlações entre dados de entrada e a saída crus do alvo, fornecendo os sistemas que podem usar estruturas intrincadas em dados de entrada alto-dimensionais para modelar a associação com o alvo output exactamente.

Considerando que supervisionado as representações com cuidado selecionadas tradicional utilizadas das técnicas de aprendizagem da máquina dos dados de entrada para prever a saída do alvo, técnicas de aprendizagem profundas modernas usam redes neurais artificiais altamente flexíveis para correlacionar dados de entrada directamente às saídas do alvo.

As relações aprendidas por tal correlação directa frequentemente serão verdadeiras mas podem às vezes ser fenômenos especulativos exclusivos aos dados utilizados aprendendo. Milhões de parâmetros ajustáveis fazem redes neurais profundas capazes da execução correctamente em grupos do treinamento mesmo quando as saídas do alvo são geradas aleatòria e, conseqüentemente, totalmente sem sentido.

Desafios do projecto e da avaliação

A capacidade alta de redes neurais induz desafios severos para projetar e desenvolver sistemas profundamente de aprendizagem e validação de seu desempenho no ajuste médico pretendido. Um desempenho clínico adequado será somente possível se o sistema tem o bom generalizability aos assuntos não incluídos nos dados do treinamento.

Os desafios do projecto envolvem selecionar dados apropriados do treinamento, tais como o representativeness da população de alvo. Igualmente inclui a modelagem de perguntas tais como como a variação de dados do treinamento pode artificial ser aumentada sem comprometer o relacionamento entre dados de entrada e saídas do alvo nos dados do treinamento.

O desafio da validação inclui a verificação de que o sistema generaliza bem. Por exemplo, executa satisfatoriamente quando avaliado em populações pacientes relevantes em lugar novos e quando os dados de entrada estiverem obtidos usando procedimentos de laboratório diferentes ou o equipamento alternativo?

Além disso, os sistemas de aprendizagem profundos são desenvolvidos tipicamente iterativa, com teste repetido e vários processos de selecção que podem inclinar resultados. As edições similares da selecção foram reconhecidas como um interesse geral para a literatura médica por muitos anos.

Assim, ao selecionar processos do projecto e de validação para sistemas de aprendizagem profundos diagnósticos, um deve centrar-se sobre os desafios da generalização e impedir umas armadilhas mais clássicas na análise de dados.

- Para conseguir o bom desempenho para pacientes novos, é crucial usar vários dados do treinamento. A variação natural é sempre essencial, mas assim que está introduzindo a variação artificial. Estes tipos de variação complementam-se e facilitam-se o bom generalisability, dizem 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.