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 modelo da aprendizagem de máquina pode guiar decisões do tratamento para pacientes que sofre de cancro do pulmão

Os doutores e os trabalhadores dos cuidados médicos podem uso dia um modelo da aprendizagem de máquina, chamado profundamente aprender, guiar suas decisões do tratamento para pacientes que sofre de cancro do pulmão, de acordo com uma equipe pesquisadores do vale de Penn State de grandes.

Em um estudo, os pesquisadores relatam que desenvolveram um modelo de aprendizagem profundo que, em determinadas circunstâncias, esteja mais de 71% exacto na expectativa de predição da sobrevivência de pacientes que sofre de cancro do pulmão, melhoram significativamente do que os modelos tradicionais da aprendizagem de máquina que a equipe testou. A outra aprendizagem de máquina modela a equipe testada teve aproximadamente uma taxa de precisão de 61%.

A informação em uma expectativa da sobrevivência de paciente podia ajudar doutores e cuidadors do guia em fazer melhores decisões em usar medicinas, em atribuir recursos e em determinar a intensidade do cuidado para pacientes, de acordo com Youakim Badr, professor adjunto da analítica dos dados.

Este é um sistema de capacidade elevada que seja altamente exacto e seja visado que ajuda doutores faça estas decisões importantes sobre o fornecimento do cuidado a seus pacientes. Naturalmente, esta ferramenta não pode ser usada como um substituto para um doutor em fazer decisões em tratamentos contra o cancro do pulmão.”

Youakim Badr, professor adjunto da analítica dos dados, Penn State

De acordo com o pisco de peito vermelho G. Qiu, professor da ciência da informação e da engenharia e uma filial do instituto para ciências computacionais e dos dados, o modelo pode analisar uma grande quantidade de dados -; características tipicamente chamadas na aprendizagem de máquina -; isso descreve os pacientes e a doença para compreender como uma combinação de factores afecta períodos da sobrevivência do câncer pulmonar. As características podem incluir a informação tal como tipos de cancro, tamanho dos tumores, a velocidade do crescimento do tumor, e dados demográficos.

O que profundo está aprendendo?

A aprendizagem profunda pode excepcionalmente ser serida abordar o prognóstico do câncer pulmonar porque o modelo pode fornecer a análise robusta necessária na investigação do cancro, de acordo com os pesquisadores, que relatam seus resultados no jornal internacional da informática médica. Profundamente aprender é um tipo de aprendizagem de máquina que é baseada nas redes neurais artificiais, que são modeladas geralmente em como o humano própria rede neural de cérebro funciona.

Profundamente em aprender, contudo, reveladores aplique uma estrutura sofisticada de camadas múltiplas destes neurônios artificiais, que seja porque o modelo é referido como “profundamente.” O aspecto de aprendizagem profundamente da aprendizagem vem de como o sistema aprende das conexões entre dados e etiquetas, disse Badr.

“Profundamente aprender é um algoritmo deaprendizagem que faça associações entre os dados, próprio, e as etiquetas que nós nos usamos para descrever os exemplos dos dados,” disse Badr. “Fazendo estas associações, aprende dos dados.”

Qiu adicionou aquele ofertas de aprendizagem profundas da estrutura diversas vantagens para muitas tarefas da ciência dos dados, especialmente quando confrontado com as séries de dados que têm um grande número registros -; neste caso, pacientes -; e também um grande número características.

“Melhora o desempenho tremenda,” disse Qiu. “Profundamente aprendendo nos nós podemos ir mais profundos, que é porque o chama isso. Na aprendizagem de máquina tradicional, você tem uma estrutura simples das camadas de redes neurais. Em cada camada, você tem um grupo de pilhas. Na aprendizagem profundamente, há muitas camadas destas pilhas que podem ser architected em uma estrutura sofisticada para executar a melhores transformação e extracção da característica, que lhe dá a capacidade para melhorar mais a precisão de todo o modelo.”

No futuro, os pesquisadores gostariam de melhorar o modelo e de testar sua capacidade para analisar outros tipos de cancros e de problemas médicos.

“A taxa de precisão é boa, mas não é perfeita, assim que a parte de nosso trabalho futuro é melhorar o modelo,” disse Qiu.

Para melhorar mais seu modelo de aprendizagem profundo, os pesquisadores igualmente precisariam de conectar com os peritos do domínio, que são os povos que têm o conhecimento específico. Neste caso, os pesquisadores gostariam de conectar com os peritos em cancros e em problemas médicos específicos.

“Em muitos casos, nós não pudemos conhecer muitas características que devem entrar no modelo,” dissemos Qiu. “Mas, colaborando com os peritos do domínio, poderiam ajudar-nos a recolher características importantes sobre pacientes que nós não pudemos estar cientes de e aquele melhoraria mais o modelo.”

Os pesquisadores analisaram dados do programa da fiscalização, da epidemiologia, e dos resultados finais (PROFETA). O conjunto de dados do PROFETA é uma das bases de dados as mais grandes e as mais detalhadas na informação do diagnóstico adiantado para pacientes que sofre de cancro nos Estados Unidos, de acordo com Shreyesh Doppalapudi, um assistente de pesquisa do aluno diplomado e primeiro autor do papel. Os registros do cancro do programa cobrem quase 35% de pacientes que sofre de cancro dos E.U.

“Uma das coisas realmente boas sobre estes dados é que cobre uma grande parte da população e é realmente diversa,” disse Doppalapudi. Uma “outra boa coisa é que cobre muitas características diferentes, que você pode usar para muitas finalidades diferentes. Isto torna-se muito valioso, especialmente ao usar a aprendizagem de máquina aproxima-se.”

Doppalapudi adicionou que a equipe comparou diversas aproximações de aprendizagem profundas, incluindo redes neurais artificiais, redes neurais circunvolucionais e redes neurais periódicas, à aprendizagem de máquina tradicional modela. As aproximações de aprendizagem profundas executaram muito melhor do que os métodos tradicionais da aprendizagem de máquina, disse.

A arquitetura de aprendizagem profunda é serida melhor a processar tais grandes, conjunto de dados diversos, tais como o programa do PROFETA, de acordo com Doppalapudi. Trabalhar nestes tipos de conjunto de dados exige a capacidade computacional robusta. Neste estudo, os pesquisadores confiaram no super-computador do rugido de ICDS.

Com aproximadamente 800.000 a 900.000 entradas no conjunto de dados do PROFETA, os pesquisadores disseram que isso manualmente encontrar estas associações nos dados com uma equipe inteira de pesquisadores médicos seria extremamente difícil sem auxílio da aprendizagem de máquina.

“Se era somente três campos que eu diria que seria impossível -; e nós tivemos aproximadamente 150 campos,” disse Doppalapudi. “Compreender todos aqueles campos diferentes e então lê-los e aprendê-los dessa informação, seriam impossíveis.”

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.