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.

Il modello di apprendimento automatico può guidare le decisioni del trattamento per i malati di cancro del polmone

Medici ed i lavoratori di sanità possono uso giorno un modello di apprendimento automatico, chiamato in profondità imparare, guidare le loro decisioni del trattamento per i malati di cancro del polmone, secondo un gruppo di grandi ricercatori della valle di Penn State.

In uno studio, i ricercatori riferiscono che hanno sviluppato un modello d'apprendimento profondo che, in determinate circostanze, era più di 71% accurato nell'aspettativa di predizione di sopravvivenza dei malati di cancro del polmone, significativamente migliorano che i modelli tradizionali di apprendimento automatico che il gruppo ha verificato. L'altro apprendimento automatico modella il gruppo esaminato ha avuto circa una tariffa di accuratezza di 61%.

Le informazioni su un'aspettativa della sopravvivenza del paziente hanno potuto aiutare medici ed i badante della guida nel prendere le migliori decisioni sul usando le medicine, sullo stanziamento delle risorse e sulla determinazione dell'intensità di cura per i pazienti, secondo Youakim Badr, professore associato dell'analisi dei dati di dati.

Ciò è un sistema ad alto rendimento che è altamente accurato ed è puntato su che aiuta medici prende queste decisioni importanti circa la fornitura della cura ai loro pazienti. Naturalmente, questo strumento non può essere utilizzato come sostituto per un medico nel prendere le decisioni sui trattamenti del cancro del polmone.„

Youakim Badr, professore associato dell'analisi dei dati di dati, Penn State

Secondo Robin G. Qiu, professore della scienza dell'informazione e dell'assistenza tecnica e una filiale dell'istituto per le scienze di dati e di calcolo, il modello può analizzare un gran numero di dati -; funzionalità tipicamente chiamate in apprendimento automatico -; quello descrive i pazienti e la malattia per capire come una combinazione di fattori pregiudica i periodi di sopravvivenza del cancro polmonare. Le funzionalità possono comprendere le informazioni quali i tipi di cancri, la dimensione dei tumori, la velocità della crescita del tumore ed i dati demografici.

Che cosa profondo sta imparando?

L'apprendimento profondo può essere adatto unicamente ad affrontare la prognosi del cancro polmonare perché il modello può fornire l'analisi robusta necessaria nella ricerca sul cancro, secondo i ricercatori, che riferiscono i loro risultati in giornale internazionale dell'informatica medica. In profondità imparare è un tipo di apprendimento automatico che è basato sulle reti neurali artificiali, che sono modellate generalmente su come la propria rete neurale del cervello umano funziona.

In profondità nell'apprendimento, tuttavia, dei rivelatori applichi una struttura specializzata dei livelli multipli di questi neuroni artificiali, che è perché il modello si riferisce a come “in profondità.„ L'aspetto d'apprendimento in profondità dell'apprendimento viene da come il sistema impara dalle connessioni fra i dati ed i contrassegni, ha detto Badr.

“In profondità imparare è un algoritmo di apprendimento automatico che fa le associazioni fra i dati, stesso ed i contrassegni che usiamo per descrivere gli esempi di dati,„ ha detto Badr. “Facendo queste associazioni, impara dai dati.„

Qiu ha aggiunto quello offerte d'apprendimento profonde della struttura parecchi vantaggi per molte mansioni di scienza di dati, particolarmente una volta confrontato con gli insiemi di dati che hanno tantissime registrazioni -; in questo caso, pazienti -; così come tantissime funzionalità.

“Migliora la prestazione immensamente,„ ha detto Qiu. “In profondità imparando in possiamo andare più profondi, che è perché lo chiamano quello. In apprendimento automatico tradizionale, avete una struttura semplice dei livelli di reti neurali. In ogni livello, avete un gruppo di celle. In profondità nell'apprendimento, ci sono molti livelli di queste celle che possono essere architected in una struttura specializzata per eseguire la migliori trasformazione ed estrazione della funzionalità, che vi dà la capacità più ulteriormente di migliorare l'accuratezza di tutto il modello.„

In futuro, i ricercatori vorrebbero migliorare il modello e verificare la sua capacità di analizzare altri tipi di cancri e di condizioni mediche.

“La tariffa di accuratezza è buona, ma non è perfetta, in modo dalla parte dei nostri lavori futuri è di migliorare il modello,„ ha detto Qiu.

Per più ulteriormente migliorare il loro modello d'apprendimento profondo, i ricercatori egualmente dovrebbero connettere con gli esperti, che sono la gente che ha conoscenza specifica. In questo caso, i ricercatori vorrebbero connettere con gli esperti sui cancri specifici e sulle condizioni mediche.

“In molti casi, non potremmo conoscere molte funzionalità che dovrebbero entrare in modello,„ abbiamo detto Qiu. “Ma, collaborando con gli esperti, potrebbero aiutarci a raccogliere le funzionalità importanti circa i pazienti che non potremmo essere informati di e quello più ulteriormente avrebbe migliorato il modello.„

I ricercatori hanno analizzato i dati dal programma di sorveglianza, dell'epidemiologia e di risultati finali (SGOMBRO). Il gruppo di dati dello SGOMBRO è uno di più grandi e database più completi sulle informazioni di diagnosi precoce per i malati di cancro negli Stati Uniti, secondo Shreyesh Doppalapudi, un assistente di ricerca del dottorando e primo autore del documento. Le registrazioni del cancro del programma coprono quasi 35% dei malati di cancro degli Stati Uniti.

“Una di cose realmente buone circa questi dati è che riguarda un profilato di grandi dimensioni della popolazione ed è realmente diversa,„ ha detto Doppalapudi. “Un'altra buona cosa è che riguarda molte funzionalità differenti, che potete usare per molti scopi differenti. Ciò diventa molto apprezzata, particolarmente quando usando l'apprendimento automatico si avvicina a.„

Doppalapudi ha aggiunto che il gruppo ha confrontato parecchi approcci d'apprendimento profondi, compreso le reti neurali artificiali, le reti neurali dell'avvolgimento e le reti neurali ricorrenti, all'apprendimento automatico tradizionale modella. Gli approcci d'apprendimento profondi hanno eseguito molto meglio dei metodi tradizionali di apprendimento automatico, ha detto.

L'architettura d'apprendimento profonda è adatta meglio ad elaborare tali grandi, diversi gruppi di dati, quale il programma dello SGOMBRO, secondo Doppalapudi. Lavorando a questi tipi di gruppi di dati richiede la capacità di calcolo robusta. In questo studio, i ricercatori hanno contato sul supercomputer del ruggito di ICDS.

Con circa 800.000 - 900.000 voci nel gruppo di dati dello SGOMBRO, i ricercatori hanno detto che quello manualmente trovare queste associazioni nei dati con un intero gruppo dei ricercatori medici sarebbe stata estremamente difficile senza assistenza dall'apprendimento automatico.

“Se fosse soltanto tre campi avrei detto che sarebbe stato impossibile -; ed abbiamo avuti circa 150 campi, che„ ha detto Doppalapudi. “Capire tutti quei campi differenti e poi leggere ed imparare da quelle informazioni, sarebbero impossibili.„

Source:
Journal reference:

Doppalapudi, S., et al. (2020) Lung cancer survival period prediction and understanding: Deep learning approaches. International Journal of Medical Informatics. doi.org/10.1016/j.ijmedinf.2020.104371.