Par rapport aux modèles d’apprentissage automatique regular, les modèles d’apprentissage en profondeur sont largement supérieurs pour discerner les modèles et les caractéristiques discriminantes en imagerie cérébrale, bien qu’ils soient moreover complexes dans leur architecture, selon une nouvelle étude dans Nature Communications dirigée par la Ga Point out College.



Les technologies biomédicales avancées telles que l’imagerie par résonance magnétique structurelle et fonctionnelle (IRM et IRMf) ou le séquençage génomique ont produit un énorme quantity de données sur le corps humain. En extrayant des modèles à partir de ces informations, les scientifiques peuvent glaner de nouvelles views sur la santé et la maladie. Il s’agit cependant d’une tâche difficile, étant donné la complexité des données et le fait que les relations entre les styles de données sont mal includes.

L’apprentissage en profondeur, construit sur des réseaux de neurones avancés, peut caractériser ces relations en combinant et en analysant des données provenant de nombreuses sources. Au Centre de recherche translationnelle en neuroimagerie et science des données (Trends), les chercheurs de l’État de Géorgie utilisent l’apprentissage en profondeur pour en savoir in addition sur la façon dont la maladie mentale et d’autres problems affectent le cerveau.



Bien que des modèles d’apprentissage profond aient été utilisés pour résoudre des problèmes et répondre à des thoughts dans un sure nombre de domaines différents, certains specialists restent sceptiques. Des commentaires critiques récents ont comparé défavorablement l’apprentissage profond aux approches d’apprentissage automatique conventional pour l’analyse des données d’imagerie cérébrale.

Cependant, comme démontré dans l’étude, ces conclusions sont souvent basées sur des entrées prétraitées qui privent le deep finding out de son principal avantage – la capacité à tirer des leçons des données avec peu ou pas de prétraitement. Anees Abrol, chercheur à Developments et auteur principal de l’article, a comparé des modèles représentatifs de l’apprentissage automatique classique et de l’apprentissage en profondeur, et a constaté que si elles sont correctement formées, les méthodes d’apprentissage en profondeur ont le potentiel d’offrir des résultats nettement meilleurs, générant des représentations supérieures. pour caractériser le cerveau humain.

« Nous avons comparé ces modèles côte à côte, en observant les protocoles statistiques pour que tout soit de pommes à pommes. Et nous montrons que les modèles d’apprentissage en profondeur fonctionnent mieux, comme prévu », a déclaré le co-auteur Sergey Plis, directeur de l’apprentissage automatique chez Tendencies et associé professeur d’informatique.

Plis a déclaré que dans certains cas, l’apprentissage automatique typical pouvait surpasser l’apprentissage profond. Par exemple, les algorithmes de diagnostic qui intègrent des mesures à un seul nombre telles que la température corporelle d’un individual ou si le individual fume des cigarettes fonctionneraient mieux en utilisant des approches d’apprentissage automatique classiques.

« Si votre software implique l’analyse d’images ou si elle implique un substantial éventail de données qui ne peuvent pas vraiment être distillées en une basic mesure sans perdre d’informations, l’apprentissage en profondeur peut aider », a déclaré Plis. « Ces modèles sont conçus pour des problèmes vraiment complexes qui demandent beaucoup d’expérience et d’intuition.  »

L’inconvénient des modèles de deep studying est qu’ils sont « gourmands en données » au départ et doivent être formés sur de nombreuses informations. Mais une fois que ces modèles sont formés, a déclaré le co-auteur Vince Calhoun, directeur de Traits et professeur émérite de psychologie, ils sont tout aussi efficaces pour analyser des rames de données complexes que pour répondre à des concerns simples.

« Fait intéressant, dans notre étude, nous avons examiné des échantillons de 100 à 10 000 et dans tous les cas, les approches d’apprentissage en profondeur se portaient mieux », a-t-il déclaré.

Un autre avantage est que les scientifiques peuvent inverser l’analyse des modèles d’apprentissage en profondeur pour comprendre remark ils parviennent à des conclusions sur les données. Comme le montre l’étude publiée, les modèles d’apprentissage profond formés apprennent à identifier des biomarqueurs cérébraux significatifs.

« Ces modèles apprennent par eux-mêmes, afin que nous puissions découvrir les caractéristiques déterminantes qu’ils recherchent et qui leur permettent d’être précis », a déclaré Abrol. « Nous pouvons vérifier les details de données analysés par un modèle, puis les comparer à la littérature pour voir ce que le modèle a trouvé en dehors de l’endroit où nous lui avons dit de regarder. »

Les chercheurs envisagent que les modèles d’apprentissage en profondeur sont capables d’extraire des explications et des représentations qui ne sont pas déjà connues sur le terrain et agissent comme une aide pour accroître nos connaissances sur le fonctionnement du cerveau humain. Ils concluent que bien que des recherches supplémentaires soient nécessaires pour trouver et corriger les faiblesses des modèles d’apprentissage en profondeur, d’un issue de vue mathématique, il est clair que ces modèles surpassent les modèles d’apprentissage automatique normal dans de nombreux contextes.

« La promesse de l’apprentissage en profondeur l’emporte peut-être encore sur son utilité actuelle pour la neuroimagerie, mais nous voyons beaucoup de potentiel réel pour ces techniques », a déclaré Plis.