APRENDIZAJE POR REFORZAMIENTO EN EL CAMPO DE LA MEDICINA

[BryanCipriano]

Recomendación inteligente basada en CNN-RNN para soporte de pre-diagnóstico médico en línea

Con el rápido desarrollo de varios paradigmas informáticos emergentes, como Clould Computing, Computación ubicua y Computación móvil, el servicio de consulta, que se refiere a la comunicación asincrónica en línea entre cliente y experto, se ha vuelto cada vez más popular. En particular, el sistema de pre-diagnóstico médico en línea, que puede proporcionar diagnóstico médico y orientación de una manera conveniente, ha involucrado a muchos pacientes para que publiquen sus síntomas, se comuniquen con los médicos y obtengan consejos profesionales. En comparación con la práctica clínica tradicional, puede evitar la visita innecesaria y brindar la posibilidad de consultar con los profesionales de la salud sin preocuparse por las limitaciones geográficas. Además, a través de este tipo de servicio de consultas relacionadas con la salud en línea, los pacientes pueden participar en el proceso compartido de toma de decisiones médicas y pueden elegir las opciones de tratamiento disponibles basándose en las sugerencias de los médicos para formar las soluciones de autocuidado. Sin embargo, aún enfrenta varios desafíos para los usuarios en línea para encontrar expertos en dominios adecuados con consejos confiables, debido a la creciente cantidad y complejidad de la información asociada con las actividades médicas.

El procesamiento del lenguaje natural (NLP) es un gran campo de investigación, que se centra en la interacción entre las computadoras y el lenguaje humano [1]. En particular, la minería y clasificación de texto, que se utiliza ampliamente para la detección de temas, la categorización de documentos y la comprensión de escenas, juega un papel importante en una serie de aplicaciones basadas en NLP. Se observa que la ingeniería de características se considera una tarea clave para tratar los problemas de clasificación y minería de texto. Sin embargo, los métodos tradicionales, no pueden lograr un alto rendimiento en la representación de características diseñadas cuando se enfrentan con conjuntos de datos a gran escala en sistemas en línea. Porque estos enfoques o son incapaces de manejar cuestiones semánticas en términos del orden de las palabras, o sufren problemas de escasez y dimensionalidad. Con el progreso de la tecnología de IA en los últimos años, el aprendizaje automático, especialmente los modelos de redes neuronales, han atraído a cada vez más investigadores para abordar tareas de clasificación, reconocimiento y predicción, cuando necesitan aprender y seleccionar características de nivel superior a partir de datos sin procesar. Por lo general, existe una tendencia creciente de utilizar la red neuronal convolucional (CNN) y la red neuronal recurrente (RNN) para entrenar modelos más complejos a partir de conjuntos de datos mucho más grandes, que se han aplicado con éxito en una variedad de campos, incluida la visión por computadora, el reconocimiento de voz. , recuperación de imágenes, traducción automática y aplicaciones de NLP.

Los seres humanos no empiezan a pensar desde cero cada segundo. A medida que lee este ensayo, comprende cada palabra en función de su comprensión de las palabras anteriores. No tira todo y empieza a pensar desde cero de nuevo. Tus pensamientos tienen persistencia.

Las redes neuronales tradicionales no pueden hacer esto y parece ser una deficiencia importante. Por ejemplo, imagina que quieres clasificar qué tipo de evento ocurre en cada punto de una película. No está claro cómo una red neuronal tradicional podría usar su razonamiento sobre eventos anteriores en la película para informar los posteriores.

Las redes neuronales recurrentes abordan este problema. Son redes con bucles que permiten que la información persista. Su naturaleza en cadena revela que las redes neuronales recurrentes están íntimamente relacionadas con secuencias y listas. En los últimos años, ha habido un éxito increíble en la aplicación de RNN a una variedad de problemas: reconocimiento de voz, modelado de lenguaje, traducción, subtítulos de imágenes.
Esencial para estos éxitos es el uso de "LSTM", un tipo muy especial de red neuronal recurrente que funciona, para muchas tareas, mucho mejor que la versión estándar. Casi todos los resultados emocionantes basados ​​en redes neuronales recurrentes se logran con ellos.
Uno de los atractivos de los RNN es la idea de que podrían conectar la información anterior a la tarea actual, por ejemplo, el uso de fotogramas de vídeo anteriores podría informar la comprensión del fotograma actual. Si los RNN pudieran hacer esto, serían extremadamente útiles.

A veces, solo necesitamos mirar información reciente para realizar la tarea actual. Por ejemplo, considere un modelo de lenguaje que intenta predecir la siguiente palabra basándose en las anteriores. Si estamos tratando de predecir la última palabra en "las nubes están en el cielo ", no necesitamos más contexto; es bastante obvio que la siguiente palabra será cielo. En tales casos, donde la brecha entre la información relevante y el lugar donde se necesita es pequeña, los RNN pueden aprender a usar la información pasada. Es así como podemos usar la data histórica de diagnósticos pasados para poder brindar un servicio de pre-diagnóstico automatizado.

Referencias:

[1] A. Hassan and A. Mahmood, "Convolutional Recurrent Deep Learning Model for Sentence Classification," in IEEE Access, vol. 6, pp. 13949-13957, 2018.

[2] X. Zhou, Y. Li and W. Liang, "CNN-RNN Based Intelligent Recommendation for Online Medical Pre-Diagnosis Support," in IEEE/ACM Transactions on Computational Biology and Bioinformatics, vol. 18, no. 3, pp. 912-921, 1 May-June 2021, doi: 10.1109/TCBB.2020.2994780.

[3] Santosh, T., Ramesh, D., & Reddy, D. (2020). LSTM based prediction of malaria abundances using big data. Computers in Biology and Medicine, 103859. doi:10.1016/j.compbiomed.2020.103859