Tıbbi derin öğrenme sistemlerini tasarlamak ve değerlendirmek

0
91

Kanser teşhisinde derin öğrenme çalışmaları tasarlamak. Kredi: Oslo Üniversite Hastanesi

Derin öğrenme çalışmalarının daha iyi tasarlanması, tıbbi uygulamaların daha hızlı dönüşümüne yol açabilir mi? Nature Reviews Cancer’in son sayısında yayınlanan “Kanser teşhisinde derin öğrenme çalışmaları tasarlamak” ın yazarlarına göre cevap evet.

Oslo Üniversite Hastanesi Kanser Teşhis ve Bilişim Enstitüsü’nden ilk yazar Andreas Kleppe, “Dış kohortu değerlendirmeden önce tanımlanması gereken birkaç protokol öğesi öneriyoruz” diyor.

“Bu şekilde, değerlendirme titiz ve daha güvenilir hale geliyor. Bu tür değerlendirmeler, hangi sistemlerin klinik uygulamada daha iyi çalışacağını daha net hale getirecek ve bu sistemler, faz III randomize klinik çalışmalarda daha fazla değerlendirilmelidir.”

Yavaş uygulama, kısmen hasta tedavisini etkileyen sistemleri değerlendirmek ve uyarlamak için gereken zamanın doğal bir sonucudur. Bununla birlikte, iyi işleyen sistemleri değerlendiren birçok çalışma, yüksek önyargı riski altındadır.

Kleppe’ye göre, dış kohortları değerlendiren görünüşte en iyi çalışmalar arasında bile, çok azı birincil analizi önceden tanımlamaktadır. Derin öğrenme sistemi, hasta seçimi veya analiz metodolojisinin uyarlanması, sunulan sonuçları aşırı iyimser hale getirebilir.

Dış verilerin sık sık sıkı bir şekilde değerlendirilmemesi özellikle endişe vericidir. Bazı sistemler, amaçlanan tıbbi ortam için çok dar veya uygun olmayan veriler üzerinde geliştirilir veya değerlendirilir. Gelecek vaat eden prototipleri uygun şekilde değerlendirilmiş tıbbi sistemlere dönüştürmek için iyi yapılandırılmış bir dizi değerlendirme adımının olmaması, derin öğrenme sistemlerinin tıbbi kullanımını sınırlar.

Milyonlarca ayarlanabilir parametre

Derin öğrenme, ham girdi verileri ve hedef çıktı arasındaki korelasyonların doğrudan öğrenilmesi yoluyla büyük veri setlerinin kullanımını kolaylaştırır ve hedef çıktı ile ilişkiyi doğru bir şekilde modellemek için yüksek boyutlu girdi verilerinde karmaşık yapıları kullanabilen sistemler sağlar. Denetimli makine öğrenimi teknikleri, geleneksel olarak hedef çıktıyı tahmin etmek için girdi verilerinin dikkatle seçilmiş temsillerini kullanırken, modern derin öğrenme teknikleri, girdi verilerini doğrudan hedef çıktılarla ilişkilendirmek için oldukça esnek yapay sinir ağlarını kullanır.

Bu tür doğrudan korelasyonla öğrenilen ilişkiler genellikle doğru olacaktır, ancak bazen öğrenme için kullanılan verilere özel sahte fenomenler olabilir. Milyonlarca ayarlanabilir parametre, derin sinir ağlarını, hedef çıktılar rastgele oluşturulduğunda ve bu nedenle tamamen anlamsız olduğunda bile eğitim setlerinde doğru şekilde performans gösterebilen hale getirir.

Tasarım ve değerlendirme zorlukları

Sinir ağlarının yüksek kapasitesi, derin öğrenme sistemlerini tasarlamak ve geliştirmek ve amaçlanan tıbbi ortamda performanslarını doğrulamak için ciddi zorluklara neden olur. Yeterli bir klinik performans, ancak sistemin eğitim verilerine dahil edilmeyen konulara genelleştirilebilirliği iyi ise mümkün olacaktır.

Tasarım zorlukları, hedef nüfusun temsil edilebilirliği gibi uygun eğitim verilerinin seçilmesini içerir. Aynı zamanda eğitim verilerindeki giriş verileri ile hedef çıktılar arasındaki ilişkiyi tehlikeye atmadan eğitim verilerinin varyasyonunun yapay olarak nasıl artırılabileceği gibi modelleme sorularını da içerir.

Doğrulama zorluğu, sistemin iyi genelleştiğini doğrulamayı içerir. Örneğin, yeni lokasyonlarda ilgili hasta popülasyonları üzerinde değerlendirildiğinde ve girdi verileri farklı laboratuvar prosedürleri veya alternatif ekipman kullanılarak elde edildiğinde tatmin edici bir performans gösteriyor mu? Dahası, derin öğrenme sistemleri, sonuçları saptırabilecek tekrarlanan testler ve çeşitli seçim süreçleriyle tipik olarak yinelemeli olarak geliştirilir. Benzer seçim sorunları, tıp literatüründe yıllardır genel bir endişe olarak kabul edilmektedir.

Bu nedenle, teşhis amaçlı derin öğrenme sistemleri için tasarım ve doğrulama süreçlerini seçerken, genelleme zorluklarına odaklanılmalı ve veri analizinde daha klasik tuzaklar önlenmelidir.

Kleppe, “Yeni hastalar için iyi bir performans elde etmek için, çeşitli eğitim verilerinin kullanılması çok önemlidir. Doğal varyasyon her zaman gereklidir, ancak yapay varyasyonun tanıtılması da önemlidir. Bu varyasyon türleri birbirini tamamlar ve iyi genelleştirilebilirliği kolaylaştırır,” diyor.

Acil serviste derin öğrenme Daha fazla bilgi: Andreas Kleppe et al. Kanser teşhisinde derin öğrenme çalışmaları tasarlamak, Nature Reviews Cancer (2021). DOI: 10.1038 / s41568-020-00327-9

Oslo Üniversite Hastanesi tarafından sağlandı

Atıf: Medikal derin öğrenme sistemlerinin tasarlanması ve değerlendirilmesi (2021, 5 Şubat) 5 Şubat 2021 tarihinde https://medicalxpress.com/news/2021-02-medical-deep.html adresinden alındı

Bu belge telif haklarına tabidir. Özel çalışma veya araştırma amacına yönelik herhangi bir adil işlem dışında, yazılı izin olmaksızın hiçbir bölümü çoğaltılamaz. İçerik yalnızca bilgi amaçlı sağlanmıştır.

CEVAP VER

Lütfen yorumunuzu giriniz!
Lütfen isminizi buraya giriniz