Técnicas de Machine Learning permitem diminuir falsas previsões de crises de epilepsia
Fotografia: FCTUC
Um estudo liderado pelo Departamento de Engenharia Informática (DEI) da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) indica que abordagens de Transfer Learning (TL) levam a uma diminuição do número de falsas previsões, mantendo a mesma capacidade de previsão em modelos de Machine Learning (ML).
Esta investigação, desenvolvida no âmbito do projeto “RECoD-Towards Realistic Epileptic Seizure Prediction: dealing with long-term concept drifts and data-labeling uncertainty”, está publicada na revista “Scientific Reports”.
De acordo com a FCTUC, o TL é uma técnica de ML em que um modelo pré-treinado numa tarefa é ajustado para uma nova tarefa relacionada. Treinar um novo modelo de ML é um processo demorado e intenso que requer uma grande quantidade de dados, elevado custo computacional e várias iterações antes de estar pronto para produção. Em vez disso, usa-se o TL para treinar novamente os modelos existentes em tarefas relacionadas e com novos dados.
“Este artigo apresenta uma abordagem de TL para desenvolver modelos personalizados de previsão de crises epiléticas (desenvolvidos para cada paciente) com base em Deep Neural Networks (DNNs). Este modelo foi desenvolvido com base em 40 pacientes da base de dados EPILEPSIAE. Consequentemente, o modelo foi usado para otimizar preditores para novos doentes”, começou por explicar o docente do DEI e investigador do Centro de Informática e Sistemas da Universidade de Coimbra, César Teixeira, em comunicado enviado à redação.
Os resultados, prosseguiu o autor do artigo e líder do projeto, “mostraram que o desenvolvimento por TL permite obter cerca de quatro vezes menos falsos alarmes, mantendo a mesma capacidade de prever crises do que quando os modelos são treinados do zero. Assim, foi possível concluir que as limitações induzidas pelo baixo número de crises podem ser superadas através da utilização destas técnicas”.
Segundo o docente da FCTUC, o projeto RECoD, para além do modelo de TL desenvolvido, contribuiu também para o desenvolvimento de abordagens não-supervisionadas para a deteção do estado pré-crise e para a interpretação e explicação de preditores de crises epiléticas.
O consórcio deste projeto envolveu a FCTUC, a Universitätsklinikum Freiburg e o Centro Hospitalar e Universitário de Coimbra.
O artigo científico “Addressing data limitations in seizure prediction through transfer learning” está disponível para consulta aqui.
Outros artigos que lhe podem interessar