La personalización de la IA utilizando modelos de fundación personal puede conducir a terapias digitales más precisas

Área de la Ciencia:

• Salud digital
• Aprendizaje automático
• Medicina personalizada

Sus antecedentes:

• Las intervenciones de salud digital utilizan el aprendizaje automático (ML) para predecir eventos adversos para la salud.
• Los modelos tradicionales de ML luchan con la heterogeneidad de los datos de los pacientes, lo que limita las predicciones personalizadas.
• El ML personalizado requiere extensas etiquetas de datos individuales, lo que dificulta su aplicación en el cuidado de la salud.

Objetivo del estudio:

• Explorar el estado del arte en el aprendizaje auto-supervisado (SSL) y la personalización de ML para la atención médica.
• Describir cómo la combinación de personalización SSL y ML puede superar las limitaciones de datos.
• Destacar los desafíos prácticos en la implementación de modelos personalizados de aprendizaje profundo en la atención médica.

Principales métodos:

• Aprovechando el aprendizaje auto-supervisado para el entrenamiento previo de modelos de aprendizaje profundo en datos de salud no etiquetados generados por pacientes.
• Modelos de ajuste fino previamente entrenados para predicciones específicas del individuo con requisitos de etiquetado reducidos.
• Analizar los avances actuales en las técnicas de personalización SSL y ML.

Principales resultados:

• El aprendizaje auto-supervisado ofrece una solución viable al desafío de etiquetado de datos en el aprendizaje automático personalizado.
• El entrenamiento previo sobre datos sin etiquetar permite la creación de modelos personalizados con menos etiquetas.
• Los modelos personalizados de aprendizaje profundo se están volviendo más alcanzables para la atención médica de precisión.

Conclusiones:

• La combinación del entrenamiento previo auto-supervisado con la personalización de ML mejora la viabilidad de las predicciones de salud específicas del individuo.
• Es necesaria una mayor investigación e innovación, en particular en la interacción hombre-computadora para lograr un etiquetado coherente.
• Este enfoque tiene un potencial significativo para avanzar en la atención médica de precisión a través de intervenciones digitales personalizadas.