Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Révision de l'apprentissage : validation concrète de l'apprentissage continu préservant la confidentialité dans les établissements médicaux
Created by
Haebom
Auteur
Jaesung Yoo, Sunghyuk Choi, Ye Seul Yang, Suhyeon Kim, Jieun Choi, Dongkyeong Lim, Yaeji Lim, Hyung Joon Joo, Dae Jung Kim, Rae Woong Park, Hyeong-Jin Yoon, Kwangsoo Kim
Contour
Dans cet article, nous proposons un algorithme d'apprentissage continu à faible coût appelé « Review Learning » (RevL) pour résoudre le grave problème de l'oubli catastrophique dans les applications d'apprentissage profond préservant la confidentialité (PPDL) basées sur l'apprentissage par transfert. RevL génère des échantillons de données que le modèle utilise pour examiner les connaissances issues de jeux de données précédents. Nous appliquons RevL à la prédiction de diagnostics à l'aide de dossiers médicaux électroniques (DME) et menons des expériences à partir de six expériences simulées et de trois données réelles provenant d'établissements médicaux. Les résultats expérimentaux, utilisant des données de 106 508 patients réels, montrent que RevL présente une ASC globale moyenne de 0,710 et de 0,655 pour l'apprentissage par transfert (TL), démontrant ainsi que RevL conserve les connaissances acquises précédemment et est efficace dans des scénarios PPDL réels. Cette étude établit un pipeline réaliste pour la recherche PPDL basée sur le transfert de modèles entre établissements médicaux et souligne l'intérêt pratique de l'apprentissage continu dans des contextes de soins de santé réels utilisant des données de DME personnelles.
Takeaways, Limitations
•
Takeaways:
◦
Nous présentons RevL, un algorithme d’apprentissage continu efficace et à faible coût qui résout le problème de l’oubli rapide.
◦
Validation de la praticité et de l'efficacité de RevL par des expérimentations utilisant des données médicales réelles.
◦
Présentation d'un pipeline réaliste pour les études PPDL basées sur le transfert de modèles entre les établissements de santé.
◦
Démontrer l’applicabilité de l’apprentissage continu avec des considérations de confidentialité aux environnements médicaux du monde réel.
•
Limitations:
◦
Généralisabilité limitée en raison de la nature des données du DSE utilisées (trois données de classification binaire).
◦
Des recherches supplémentaires sur des ensembles de données médicales et des scénarios cliniques plus diversifiés sont nécessaires.
◦
Une analyse plus approfondie de la complexité informatique et de l’évolutivité de l’algorithme RevL est nécessaire.
◦
Manque d’analyse comparative avec d’autres algorithmes d’apprentissage continu.
