Ai

Pembelajaran mendalam mengungguli pembelajaran mesin standar dalam aplikasi penelitian biomedis, penelitian menunjukkan


pembelajaran mesin

Kredit: Pixabay / CC0 Domain Publik

Dibandingkan dengan model pembelajaran mesin standar, model pembelajaran mendalam sebagian besar lebih unggul dalam pola yang membedakan dan fitur diskriminatif dalam pencitraan otak, meskipun lebih kompleks dalam arsitekturnya, menurut sebuah studi baru di Komunikasi Alam dipimpin oleh Universitas Negeri Georgia.

Teknologi biomedis canggih seperti pencitraan resonansi magnetik struktural dan fungsional (MRI dan fMRI) atau sekuensing genom telah menghasilkan sejumlah besar data tentang tubuh manusia. Dengan mengekstrak pola dari informasi ini, para ilmuwan dapat memperoleh wawasan baru tentang kesehatan dan penyakit. Namun, ini adalah tugas yang menantang, mengingat kompleksitas data dan fakta bahwa hubungan antar jenis data kurang dipahami.

Pembelajaran mendalam, yang dibangun di atas jaringan saraf canggih, dapat mencirikan hubungan ini dengan menggabungkan dan menganalisis data dari banyak sumber. Di Center for Translational Research in Neuroimaging and Data Science (TReNDS), para peneliti Georgia State menggunakan pembelajaran mendalam untuk mempelajari lebih lanjut tentang bagaimana penyakit mental dan gangguan lain memengaruhi otak.

Meskipun model pembelajaran mendalam telah digunakan untuk memecahkan masalah dan menjawab pertanyaan di sejumlah bidang yang berbeda, beberapa ahli tetap skeptis. Komentar kritis baru-baru ini telah membandingkan pembelajaran mendalam dengan pendekatan pembelajaran mesin standar untuk menganalisis data pencitraan otak.

Namun, seperti yang ditunjukkan dalam penelitian, kesimpulan ini sering kali didasarkan pada input yang diproses sebelumnya yang menghilangkan keuntungan utamanya dari pembelajaran mendalam — kemampuan untuk belajar dari data dengan sedikit atau tanpa pemrosesan awal. Anees Abrol, ilmuwan riset di TReNDS dan penulis utama makalah, membandingkan model perwakilan dari pembelajaran mesin klasik dan pembelajaran mendalam, dan menemukan bahwa jika dilatih dengan benar, metode pembelajaran mendalam berpotensi menawarkan hasil yang jauh lebih baik, menghasilkan representasi yang unggul untuk mengkarakterisasi otak manusia.

“Kami membandingkan model-model ini secara berdampingan, mengamati protokol statistik sehingga semuanya serba bisa. Dan kami menunjukkan bahwa model pembelajaran mendalam bekerja lebih baik, seperti yang diharapkan,” kata rekan penulis Sergey Plis, direktur pembelajaran mesin di TReNDS dan rekan profesor ilmu komputer.

Plis mengatakan ada beberapa kasus di mana pembelajaran mesin standar dapat mengungguli pembelajaran yang dalam. Misalnya, algoritme diagnostik yang memasukkan pengukuran satu nomor seperti suhu tubuh pasien atau apakah pasien merokok akan bekerja lebih baik menggunakan pendekatan pembelajaran mesin klasik.

“Jika aplikasi Anda melibatkan analisis gambar atau jika melibatkan sejumlah besar data yang tidak dapat benar-benar disaring menjadi pengukuran sederhana tanpa kehilangan informasi, pembelajaran mendalam dapat membantu,” kata Plis .. “Model ini dibuat untuk masalah yang sangat kompleks yang membutuhkan banyak pengalaman dan intuisi. “

Kelemahan dari model deep learning adalah model ini “haus data” pada awalnya dan harus dilatih tentang banyak informasi. Tetapi begitu model ini dilatih, kata rekan penulis Vince Calhoun, direktur TReNDS dan Profesor Psikologi Universitas Distinguished, mereka sama efektifnya dalam menganalisis rim data kompleks seperti halnya menjawab pertanyaan sederhana.

“Menariknya, dalam penelitian kami, kami melihat ukuran sampel dari 100 hingga 10.000 dan dalam semua kasus pendekatan pembelajaran mendalam bekerja lebih baik,” katanya.

Keuntungan lainnya adalah para ilmuwan dapat menganalisis terbalik model pembelajaran mendalam untuk memahami bagaimana mereka mencapai kesimpulan tentang data. Seperti yang ditunjukkan oleh studi yang dipublikasikan, model pembelajaran mendalam yang terlatih belajar untuk mengidentifikasi biomarker otak yang bermakna.

“Model-model ini belajar sendiri, sehingga kami dapat mengungkap karakteristik penentu yang mereka cari sehingga memungkinkan mereka untuk menjadi akurat,” kata Abrol. “Kami dapat memeriksa poin data yang dianalisis model dan kemudian membandingkannya dengan literatur untuk melihat apa yang ditemukan model tersebut di luar tempat yang kami perintahkan untuk dilihat.”

Para peneliti membayangkan bahwa model pembelajaran mendalam mampu mengekstraksi penjelasan dan representasi yang belum dikenal di lapangan dan bertindak sebagai bantuan dalam menumbuhkan pengetahuan kita tentang bagaimana fungsi otak manusia. Mereka menyimpulkan bahwa meskipun penelitian lebih lanjut diperlukan untuk menemukan dan mengatasi kelemahan model pembelajaran mendalam, dari sudut pandang matematika, jelas model ini mengungguli model pembelajaran mesin standar di banyak pengaturan.

“Janji pembelajaran mendalam mungkin masih melebihi kegunaannya saat ini untuk pencitraan saraf, tetapi kami melihat banyak potensi nyata untuk teknik ini,” kata Plis.


Mengidentifikasi dan menilai kerapuhan pada diabetisi harus menjadi prioritas, untuk penanganan dan penanganan yang lebih baik


Informasi lebih lanjut:
Anees Abrol dkk. Pembelajaran mendalam mengkodekan representasi neuroimaging diskriminatif yang kuat untuk mengungguli pembelajaran mesin standar, Komunikasi Alam (2021). DOI: 10.1038 / s41467-020-20655-6

Disediakan oleh Universitas Negeri Georgia

Kutipan: Pembelajaran mendalam mengungguli pembelajaran mesin standar dalam aplikasi penelitian biomedis, penelitian menunjukkan (2021, 14 Januari) diambil pada 14 Januari 2021 dari https://techxplore.com/news/2021-01-deep-outperforms-standard-machine-biomedical.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Toto SGP