การถือกำเนิดของโมเดลแมชชีน โควิด19 เลิร์นนิงขนาดใหญ่

1 post / 0 new
SPINIX
Offline
Last seen: 4 วัน 13 นาที ก่อน
Joined: 22 มี.ค. 2022 - 13:24
การถือกำเนิดของโมเดลแมชชีน โควิด19 เลิร์นนิงขนาดใหญ่

ในการดูแลสุขภาพได้เปลี่ยนวิธีที่โมเดลการพยากรณ์โรคและการวินิจฉัยใช้ประโยชน์จากข้อมูล บาคาร่าออนไลน์ บันทึกสุขภาพอิเล็กทรอนิกส์ ด้วยการถือกำเนิดของวิธีการเรียนรู้เชิงลึก เช่น โครงข่ายประสาทเทียมขนาดใหญ่ [ 1 ] และแบบจำลองภาษาขนาดใหญ่ [ 2 ] แนวทางสู่แบบจำลองการพยากรณ์โรคในการแพทย์กลายเป็นการขับเคลื่อนด้วยข้อมูลมากขึ้น การเรียนรู้เชิงลึกเป็นการเรียนรู้ของเครื่องประเภทหนึ่งโดยใช้โครงข่ายประสาทเทียมซึ่งใช้การประมวลผลหลายชั้นเพื่อแยกคุณลักษณะ (และประสิทธิภาพ) ในระดับที่สูงขึ้นเรื่อย ๆ จากข้อมูล [ 3]. Multilayer perceptrons (MLPs) ได้แสดงให้เห็นถึงความสามารถในการปรับขนาดได้เพื่อแสดงข้อมูลที่ซับซ้อนมากขึ้นโดยมีขอบเขตค่อนข้างน้อยในความสามารถทั่วไปของแบบจำลองเมื่อขนาดตัวอย่างเพิ่มขึ้น ซึ่งแตกต่างจากวิธีการเรียนรู้ของเครื่องก่อนหน้านี้ เป็นผลให้ในการดูแลสุขภาพ มีจุดหมุนจากกรอบแบบดั้งเดิมของการประมาณขนาดตัวอย่างและการคำนวณขนาดผลกระทบ ซึ่งรวบรวมข้อมูลอย่างจำกัด เพื่อลดปัจจัยที่ทำให้เกิดความสับสนเฉพาะผู้ป่วยที่อาจเกิดขึ้นเพื่อรวบรวมข้อมูลให้ได้มากที่สุดเพื่อเป็นตัวแทนของสเปกตรัมทั้งหมด สถานะของโรคที่อาจเกิดขึ้น

ดังนั้น ขนาดตัวอย่างที่ใหญ่ขึ้นจึงเป็นอุปสรรคสำคัญประการหนึ่งในการปลดล็อกศักยภาพของแมชชีนเลิร์นนิงในการแพทย์อย่างเต็มที่ อย่างไรก็ตาม การรวบรวมรูปแบบข้อมูลที่หลากหลายจากสเปกตรัมของผู้ป่วยที่มีศักยภาพต้องเผชิญกับความท้าทาย โดยเฉพาะอย่างยิ่ง ความท้าทายหลักสามประการเผชิญกับการแบ่งปันข้อมูลระหว่างสถาบัน – ความเป็นส่วนตัว การปฏิบัติตามข้อกำหนด และทรัพย์สินทางปัญญา [ 4 ] รูปแบบระหว่างสถาบัน เช่น Google Health และ Microsoft HealthVault ล้มเหลวในการปฏิบัติตามข้อกังวลด้านความเป็นส่วนตัวขั้นพื้นฐาน ซึ่งทำให้ทั้งบุคคลและสถาบันตกอยู่ในความเสี่ยง [ 5 ] ประการที่สอง ระบบการทำงานร่วมกันได้ไม่ดีทำให้การแบ่งปันข้อมูลทำได้ยาก เนื่องจากสถาบันอาจมีข้อมูลผู้ป่วยที่ขัดแย้งกันหรือล้าสมัย ประการที่สาม ทรัพย์สินทางปัญญาที่ยื่นโดยสถาบันแต่ละแห่งอาจขึ้นอยู่กับข้อมูลของผู้ป่วยแต่ละราย และทรัพย์สินทางปัญญาเหล่านี้ให้เงินทุนสนับสนุนทางการเงินสำหรับการทดลองทางคลินิกซึ่งจะเป็นประโยชน์ต่อผู้ป่วยในท้ายที่สุด [ 7 ]

เนื่องจากข้อจำกัดที่เกี่ยวข้องกับการแชร์ข้อมูลระหว่างสถาบันต่างๆ เนื่องจากความกังวลเรื่องความเป็นส่วนตัวของข้อมูล วิธีแก้ปัญหาที่เป็นไปได้วิธีหนึ่งคือการฝึกอบรมเกี่ยวกับประชากรผู้ป่วยที่อยู่ในโรงพยาบาลแห่งเดียว อย่างไรก็ตาม ข้อมูลการฝึกอบรมในโรงพยาบาลเดียวทำให้โมเดลเสี่ยงต่ออคติโดยธรรมชาติเฉพาะสำหรับไซต์นั้น ในด้านโรคไต การตรวจสอบจากภายนอกยังคงเป็นปัญหาที่ไม่ได้รับการแก้ไข และอาจนำไปสู่การลดประสิทธิภาพการทำงานในกลุ่มผู้ป่วยต่างๆ

พื้นฐานการเรียนรู้แบบสหพันธรัฐ การเรียนรู้แบบสหพันธรัฐเป็นทางเลือกที่ใช้งานได้จริงสำหรับแนวทางแบบสถาบันเดียว ในขณะที่หลีกเลี่ยงหลุมพรางของการแบ่งปันข้อมูล ในการเรียนรู้แบบสหพันธรัฐข้ามไซโล ข้อมูลจะไม่ออกจากไซต์ ข้อมูลดิบของลูกค้าถูกเก็บไว้ที่ไซต์ของคอลเลกชัน โมเดลถูกสร้างขึ้นที่ไซต์ของคอลเล็กชันและได้รับการอัปเดตในเครื่องเพื่อให้บรรลุเป้าหมายการเรียนรู้ แต่พารามิเตอร์ของโมเดล ซึ่งเป็นการแสดงวิธีที่โมเดลแมปอินพุตกับเอาต์พุต จะถูกส่งไปยังเซิร์ฟเวอร์กลางแทน ที่เซิร์ฟเวอร์ส่วนกลาง สามารถรวมเข้ากับโมเดลอื่นๆ ที่ส่งมาจากไซต์ต่างๆ ได้ โมเดลรวมสามารถส่งกลับไปยังไซต์ในพื้นที่และรวมกับโมเดลในพื้นที่สำหรับการคาดการณ์ในอนาคต (รูปที่ 1 )