Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Un mejor diseño profundamente de aprender estudios puede llevar a una transformación más rápida de prácticas médicas

Un artículo de la nueva perspectiva en cáncer de las revistas de la naturaleza discute las razones del progreso moderado y describe los remedios diseñados para facilitar la transición a la clínica.

¿Puede el mejor diseño profundamente de aprender estudios llevar a la transformación más rápida de prácticas médicas? Según los autores del diseño profundamente que aprenden estudia en diagnósticos del cáncer en entrega del cáncer de las revistas de la naturaleza la última, la respuesta es sí.

- Proponemos que varios items del protocolo que deban ser definidos antes de evaluar la cohorte externa diga al primer programa de escritura Andreas Kleppe del papel en el instituto para los diagnósticos y la informática del cáncer en el hospital de Oslo Univerity.

- De esta manera, la evaluación llega a ser rigurosa y más segura. Tales evaluaciones la harían mucho más sin obstrucción que los sistemas son probables trabajar bien en práctica clínica, y estos sistemas se deben fijar más a fondo en juicios clínicas seleccionadas al azar III de la fase.

La puesta en vigor lenta es en parte una consecuencia natural del tiempo necesario para evaluar y para adaptar los sistemas que afectan al tratamiento paciente. Sin embargo, muchos estudios que fijan sistemas fiables están en de alto riesgo de la polarización negativa.

Según Kleppe, incluso entre los estudios aparentemente mejores que evalúan las cohortes externas, pocos predefina el análisis primario. Las adaptaciones del sistema de aprendizaje profundo, de la selección paciente, o de la metodología del análisis pueden hacer los resultados presentaron sobre-optimista.

La falta frecuente de evaluación rigurosa de datos externos está de preocupación especial. Algunos sistemas se desarrollan o se evalúan en los datos demasiado estrechos o inadecuados para la fijación médica prevista. La falta de una serie establecida de la evaluación camina para convertir prototipos prometedores en la utilización médica profunda médica de sistemas de los límites de los sistemas de aprendizaje correctamente evaluados.

Millones de parámetros ajustables

Profundamente el aprendizaje facilita la utilización de los conjuntos de datos grandes con el aprendizaje directo de correlaciones entre los datos de entrada y el rendimiento sin procesar del objetivo, ofreciendo los sistemas que pueden utilizar las estructuras complejas en datos de entrada alto-dimensionales para modelar la asociación con el objetivo hecho salir exacto.

Considerando que están vigiladas las representaciones cuidadosamente seleccionadas tradicionalmente utilizadas de las técnicas de aprendizaje de máquina de los datos de entrada para predecir el rendimiento del objetivo, las técnicas de aprendizaje profundas modernas utilizan redes neuronales artificiales altamente flexibles para correlacionar datos de entrada directamente a los rendimientos del objetivo.

Las relaciones aprendidas por tal correlación directa serán verdades pero pueden a menudo a veces ser fenómenos falsos exclusivos a los datos utilizados para aprender. Millones de parámetros ajustables hacen redes neuronales profundas capaces de la ejecución correctamente en equipos del entrenamiento incluso cuando los rendimientos del objetivo se generan aleatoriamente y, por lo tanto, completamente sin setido.

Retos del diseño y de la evaluación

La alta capacidad de redes neuronales induce los retos severos para diseñar y desarrollar sistemas profundamente de aprendizaje y validar su funcionamiento en la fijación médica prevista. Un funcionamiento clínico adecuado será solamente posible si el sistema tiene buen generalizability a los temas no incluidos en los datos del entrenamiento.

Los retos del diseño implican el seleccionar de datos apropiados del entrenamiento, tales como representatividad de la población objetivo. También incluye el modelado de preguntas tales como cómo la variación de los datos del entrenamiento puede ser aumentada artificial sin el compromiso del lazo entre los datos de entrada y los rendimientos del objetivo en los datos del entrenamiento.

El reto de la validación incluye verificar que el sistema generaliza bien. ¿Por ejemplo, se realiza satisfactoriamente cuando está evaluado en poblaciones de pacientes relevantes en las nuevas situaciones y cuando los datos de entrada se obtienen usando diversos procedimientos de laboratorio o el equipo alternativo?

Por otra parte, los sistemas de aprendizaje profundos se desarrollan típicamente iterativo, con la prueba relanzada y los diversos procesos de selección que pueden orientar resultados. Las entregas similares de la selección se han reconocido como preocupación general por la literatura médica durante muchos años.

Así, al seleccionar los procesos del diseño y de validación para los sistemas de aprendizaje profundos diagnósticos, uno debe centrarse en los retos de la generalización y prevenir trampas más clásicas en análisis de datos.

- Para lograr el buen funcionamiento para los nuevos pacientes, es crucial utilizar diversos datos del entrenamiento. La variación natural es siempre esencial, pero así que está introduciendo la variación artificial. Estos tipos de variación se complementan y facilitan buen generalisability, dicen 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.