Notícia

Técnicas de Aprendizado de Máquina permitem diminuição de falsas previsões de crises de epilepsia

Estudo liderado pela Universidade de Coimbra contribuiu para o desenvolvimento de abordagens não-supervisionadas para a detecção do estado pré-crise e para a interpretação e explicação de preditores de crises epiléticas

Freepik

Fonte

Universidade de Coimbra

Data

quarta-feira, 17 julho 2024 12:20

Áreas

Computação. Engenharia Biomédica. Informática Médica. Inteligência Artificial. Medicina. Neurociências. Neurologia.

Um estudo liderado pelo Departamento de Engenharia Informática da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) indicou que abordagens de Transfer Learning (TL) levam a uma diminuição do número de falsas previsões de crises epilépticas, mantendo a mesma capacidade de previsão em modelos de Aprendizado de Máquina.

A pesquisa, desenvolvida no âmbito do projeto ‘RECoD – Towards Realistic Epileptic Seizure Prediction: dealing with long-term concept drifts and data-labeling uncertainty‘, foi publicada na revista Scientific Reports.

O TL é uma técnica de Aprendizado de Máquina (Machine Learning) 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 epilépticas (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 pacientes”, explicou o Dr. César Teixeira, professor do Departamento de Engenharia Informática da FCTUC e pesquisador do Centro de Informática e Sistemas da Universidade de Coimbra (CISUC).

“Os resultados 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”, destacou o pesquisador.

De acordo com o professor da FCTUC, o projeto RECoD, para além do modelo de TL desenvolvido, contribuiu também para o desenvolvimento de abordagens não-supervisionadas para a detecção do estado pré-crise e para a interpretação e explicação de preditores de crises epilépticas.

O consórcio do projeto envolveu a FCTUC, a Universitätsklinikum Freiburg (UKFR) e o Centro Hospitalar e Universitário de Coimbra (CHUC).

Acesse o artigo científico completo (em inglês).

Acesse a notícia completa na página da Universidade de Coimbra.

Fonte: Sara Machado, FCTUC. Imagem: Freepik.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.

Os comentários constituem um espaço importante para a livre manifestação dos usuários, desde que cadastrados no Portal Tech4Health e que respeitem os Termos e Condições de Uso. Portanto, cada comentário é de responsabilidade exclusiva do usuário que o assina, não representando a opinião do Portal Tech4Health, que pode retirar, sem prévio aviso, comentários postados que não estejam de acordo com estas regras.

Leia também

2024 tech4health t4h | Notícias, Conteúdos e Rede Profissional em Saúde e Tecnologias

Entre em Contato

Enviando
ou

Fazer login com suas credenciais

ou    

Esqueceu sua senha?

ou

Create Account