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.

El modelo del aprendizaje de máquina puede dirigir las decisiones del tratamiento para los enfermos de cáncer del pulmón

Los doctores y los trabajadores de la atención sanitaria pueden uso día un modelo del aprendizaje de máquina, llamado profundamente aprendizaje, dirigir sus decisiones del tratamiento para los enfermos de cáncer del pulmón, según personas de los grandes investigadores de la lima hoya del Estado de Penn.

En un estudio, los investigadores denuncian que desarrollaron un modelo de aprendizaje profundo que, en ciertas condiciones, estaba más el de 71% exacto en la expectativa de la supervivencia que predecía de los enfermos de cáncer del pulmón, mejoran importante que los modelos tradicionales del aprendizaje de máquina que las personas probaron. El otro aprendizaje de máquina modela a las personas probadas tenía alrededor de un régimen de exactitud del 61%.

La información sobre una expectativa de la supervivencia de paciente podía ayudar a doctores y a cuidadores de la guía en tomar mejores decisiones en usar remedio, dotar recursos y la determinación de la intensidad del cuidado para los pacientes, según Youakim Badr, profesor adjunto del analytics de los datos.

Éste es un sistema de alto rendimiento que es altamente exacto y se dirige que ayuda a doctores toma estas decisiones importantes sobre ofrecer cuidado a sus pacientes. Por supuesto, esta herramienta no se puede utilizar como reemplazo para un doctor en tomar decisiones en tratamientos contra el cáncer del pulmón.”

Youakim Badr, profesor adjunto del Analytics de los datos, el Estado de Penn

Según el petirrojo G. Qiu, profesor de las ciencias y de la ingeniería de la información y afiliado del instituto para las ciencias de cómputo y de los datos, el modelo puede analizar una gran cantidad de datos -; características típicamente llamadas en el aprendizaje de máquina -; eso describe los pacientes y la enfermedad para entender cómo una combinación de factores afecta a períodos de la supervivencia del cáncer de pulmón. Las características pueden incluir la información tal como tipos de cáncer, talla de tumores, la velocidad del incremento del tumor, y datos demográficos.

¿Qué profundo está aprendiendo?

El aprendizaje profundo se puede adaptar únicamente abordar pronóstico del cáncer de pulmón porque el modelo puede ofrecer el análisis robusto necesario en la investigación de cáncer, según los investigadores, que denuncian sus conclusión en gorrón internacional de la informática médica. Profundamente el aprendizaje es un tipo de aprendizaje de máquina que se base en las redes neuronales artificiales, que se modelan generalmente en cómo funciona el humano la propia red neuronal del cerebro.

En profundamente el aprendizaje, sin embargo, de los reveladores aplique una estructura sofisticada de capas múltiples de estas neuronas artificiales, que es porqué el modelo se refiere como “profundamente.” El aspecto de aprendizaje profundamente del aprendizaje viene de cómo el sistema aprende de conexiones entre los datos y las escrituras de la etiqueta, dijo a Badr.

“Profundamente el aprendizaje es un algoritmo de máquina-aprendizaje que hace asociaciones entre los datos, sí mismo, y las escrituras de la etiqueta que utilizamos para describir los ejemplos de los datos,” dijo a Badr. “Haciendo estas asociaciones, aprende de los datos.”

Qiu agregó eso las ofertas de aprendizaje profundas de la estructura varias ventajas para muchas tareas de la ciencia de los datos, especialmente cuando estaba enfrentado con los conjuntos de datos que tienen un gran número de archivos -; en este caso, pacientes -; así como un gran número de características.

“Perfecciona funcionamiento enormemente,” dijo a Qiu. “En profundamente aprendiendo nosotros podemos entrar más profundos, que es porqué él lo llama eso. En el aprendizaje de máquina tradicional, usted tiene una estructura simple de capas de redes neuronales. En cada capa, usted tiene un grupo de células. En profundamente el aprendizaje, hay muchas capas de estas células que se puedan architected en una estructura sofisticada para realizar una mejores transformación y extracción de la característica, que le da la capacidad de perfeccionar más lejos la exactitud de cualquier modelo.”

En el futuro, los investigadores quisieran perfeccionar el modelo y probar su capacidad de analizar otros tipos de cánceres y de dolencias.

“El régimen de exactitud es bueno, pero no es perfecto, así que la parte de nuestro trabajo futuro es perfeccionar el modelo,” dijo a Qiu.

Para perfeccionar más lejos su modelo de aprendizaje profundo, los investigadores también necesitarían conectar con los expertos del dominio, que son la gente que tiene conocimiento específico. En este caso, los investigadores quisieran conectar con los expertos en cánceres y dolencias específicos.

“En muchos casos, puede ser que no conozcamos muchas características que deben entrar el modelo,” dijimos a Qiu. “Pero, colaborando con los expertos del dominio, podrían ayudarnos a cerco características importantes sobre pacientes que puede ser que no seamos conscientes de y eso perfeccionaría más lejos el modelo.”

Los investigadores analizaban datos del programa de la vigilancia, de la epidemiología, y de los resultados finales (ADIVINO). El grupo de datos del ADIVINO es una de las bases de datos más grandes y más completas en la información del diagnóstico precoz para los enfermos de cáncer en los Estados Unidos, según Shreyesh Doppalapudi, asistente de investigación del estudiante de tercer ciclo y primer autor del papel. Los registros del cáncer del programa revisten el casi 35% de enfermos de cáncer de los E.E.U.U.

“Una de las cosas realmente buenas sobre estos datos es que reviste a un gran parte de la población y es realmente diverso,” dijo a Doppalapudi. “Otra buena cosa es que reviste muchas diversas características, que usted puede utilizar para muchos diversos propósitos. Esto llega a ser muy valioso, especialmente al usar el aprendizaje de máquina se acerca.”

Doppalapudi agregó que las personas compararon varias aproximaciones de aprendizaje profundas, incluyendo redes neuronales artificiales, las redes neuronales circumvolucionales y las redes neuronales periódicas, al aprendizaje de máquina tradicional modela. Las aproximaciones de aprendizaje profundas se realizaron mucho mejor que los métodos tradicionales del aprendizaje de máquina, él dijo.

La configuración de aprendizaje profunda se adapta mejor a tramitar tales grupos de datos grandes, diversos, tales como el programa del ADIVINO, según Doppalapudi. El trabajo en estos tipos de grupos de datos requiere capacidad de cómputo robusta. En este estudio, los investigadores confiaron en el superordenador del rugido de ICDS.

Con cerca de 800.000 a 900.000 asientos en el grupo de datos del ADIVINO, los investigadores dijeron que eso manualmente encontrar estas asociaciones en los datos con personas enteras de investigadores médicos sería extremadamente difícil sin ayuda del aprendizaje de máquina.

“Si fuera solamente tres campos que diría que sería imposible -; y teníamos cerca de 150 campos,” dijo a Doppalapudi. La “comprensión de todos esos diversos campos y entonces la lectura y el aprendizaje de esa información, serían imposibles.”

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.