Strokeformer: un nuevo paradigma de aprendizaje profundo basado en una arquitectura de entrenamiento para la...

Área de la Ciencia:

• Neurología
• Inteligencia artificial
• La informática médica

Sus antecedentes:

• El accidente cerebrovascular es una de las principales causas de muerte y discapacidad a nivel mundial.
• El pronóstico preciso del accidente cerebrovascular es crucial para determinar la elegibilidad para el tratamiento trombolítico.
• Los modelos de aprendizaje profundo existentes luchan con conjuntos de datos médicos pequeños y desequilibrados, lo que lleva a un exceso de ajuste y degradación del rendimiento.

Objetivo del estudio:

• Proponer un nuevo modelo de aprendizaje profundo, Strokeformer, para una predicción precisa del pronóstico del accidente cerebrovascular.
• Abordar los desafíos del exceso de ajuste y la degeneración del rendimiento en conjuntos de datos médicos.
• Para mejorar la toma de decisiones clínicas para el tratamiento trombolítico.

Principales métodos:

• Desarrolló Strokeformer, un nuevo modelo basado en transformadores con módulos de interacción dentro y entre las características.
• Se empleó una estrategia de preentrenamiento y ajuste fino en conjuntos de datos a gran escala, equilibrados por clase, seguidos de conjuntos de datos desequilibrados posteriores.
• Valido el modelo en 20 conjuntos de datos públicos de OpenML y dos conjuntos de datos privados de pronóstico clínico de accidente cerebrovascular.

Principales resultados:

• En las tareas de predicción del pronóstico del accidente cerebrovascular, Strokeformer superó significativamente a los modelos de comparación existentes.
• El método de preentrenamiento y ajuste fino evitó efectivamente el exceso de ajuste en conjuntos de datos pequeños y desequilibrados.
• El modelo demostró resultados empíricos prometedores en los datos de pronóstico de accidente cerebrovascular en el mundo real.

Conclusiones:

• Strokeformer ofrece una solución robusta para la predicción del pronóstico del accidente cerebrovascular, particularmente con datos médicos difíciles.
• El paradigma de capacitación propuesto es eficaz para mitigar el exceso de ajuste en los modelos de aprendizaje profundo para aplicaciones médicas.
• Si bien la interpretabilidad sigue siendo un desafío, Strokeformer muestra potencial para el apoyo a la decisión clínica en el manejo del accidente cerebrovascular.