Un nuevo modelo de aprendizaje profundo puede aprender a identificar enfermedades a partir de escaneos médicos de forma más rápida y precisa, según una nueva investigación realizada por un equipo de científicos informáticos de la Universidad de Alberta y la empresa derivada de la U of A MEDO. El modelo revolucionario es el trabajo de un equipo de investigadores de la Facultad de Ciencias, incluidas las contribuciones de Pouneh Gorji, un estudiante graduado perdido en el vuelo PS752.
El aprendizaje profundo es un tipo de aprendizaje automático, un subcampo de la inteligencia artificial; Las técnicas de aprendizaje profundo son algoritmos informáticos que encuentran patrones en grandes conjuntos de datos, produciendo modelos que luego pueden usarse para hacer predicciones. Estos modelos funcionan mejor cuando aprenden de cientos de miles o incluso millones de ejemplos. Pero el campo del diagnóstico médico presenta un desafío único, donde los investigadores generalmente solo tienen acceso a unos pocos cientos de imágenes de escaneo médico por razones de privacidad.
“Cuando se entrena un modelo de aprendizaje profundo con tan pocas instancias, su desempeño tiende a ser pobre”, dijo Roberto Vega, autor principal del estudio y estudiante de posgrado en el Departamento de Ciencias de la Computación.
“En nuestro estudio, abordamos el problema de cómo aprender modelos efectivos de aprendizaje profundo para tareas médicas con pocas instancias de capacitación. La idea principal es que podemos aprovechar el conocimiento presente en la literatura médica para guiar mejor el proceso de aprendizaje ".
Las mejoras en el rendimiento provienen del entrenamiento del algoritmo en imágenes médicas, así como su correspondiente diagnóstico "probabilístico", proporcionado indirectamente por expertos médicos. Este enfoque permite que el algoritmo aprenda los patrones que caracterizan cada enfermedad en las exploraciones, lo que le permite predecir qué enfermedad se muestra en la exploración de un nuevo paciente o si la exploración parece saludable.
“Nuestro enfoque mejoró la precisión de clasificación del modelo y proporcionó una confianza significativa en su predicción, dando una estimación de la probabilidad de que una enfermedad esté presente en una exploración”, dijo Vega.
“Con esta investigación, queremos brindarles a los radiólogos mejores herramientas que hagan su trabajo más fácil, más rápido y más efectivo. También tenemos el problema de la escasez de personal médico, que es un problema agravado en los países en desarrollo. Nuestra esperanza es que podamos desarrollar modelos que permitan a nuestros expertos médicos tomar mejores decisiones ".
El trabajo de muchos
La investigación incluye contribuciones significativas de Pouneh Gorji, un graduado póstumo del Departamento de Ciencias de la Computación y víctima de la tragedia del vuelo PS752. En enero de 2020, Gorji y Arash Pourzarabi viajaron a Irán para casarse y fueron dos de los cuatro miembros de la comunidad de la Facultad de Ciencias entre las 176 personas muertas en el vuelo PS752.
Para el equipo, la investigación también es una oportunidad para honrar el legado de Gorji y sus contribuciones fundamentales al proyecto. Cuando los investigadores comenzaron el proyecto, el algoritmo se centró exclusivamente en la displasia de cadera, explicó Vega. Gorji estaba trabajando en el desarrollo de modelos de aprendizaje automático para identificar el hígado graso, y fue su incorporación al equipo lo que finalmente condujo a un rediseño del algoritmo y al avance en el rendimiento.
"El original algoritmo no estaba funcionando para el hígado graso, así que Pouneh y yo comenzamos a trabajar juntos para resolver el problema. Después de varias semanas, descubrimos una falla importante en el enfoque original y pudimos proponer una solución, una que involucraba una nueva forma matemática de abordar una sección del modelo ”, dijo Vega.