Une étude sur l’IA montre pourquoi le Deep Learning est adapté aux neurosciences

Geralt / Pixabay

Source: Geralt / Pixabay

Dans le domaine de l’intelligence artificielle (IA), toutes les approches d’apprentissage automatique ne sont pas considérées comme égales. Il s’agit d’une considération importante dans des domaines tels que les neurosciences, la médecine, la biotechnologie, les sciences de la vie, les soins de santé, la génomique, les produits pharmaceutiques et d’autres industries où la précision peut avoir un impact direct sur la santé et la sécurité humaines. Quel type d’apprentissage automatique convient le mieux à la neuroimagerie et à l’étude du cerveau?

Dans une nouvelle étude publiée plus tôt ce mois-ci dans Communications de la nature, des chercheurs de la Georgia State University montrent les avantages de l’apprentissage profond (DL) par rapport à l’apprentissage automatique standard (SML) dans la recherche sur le cerveau.

«Nos résultats mettent en évidence la présence de non-linéarités dans les données de neuroimagerie que DL peut exploiter pour générer des représentations discriminantes de tâches supérieures pour caractériser le cerveau humain», a écrit l’auteur principal de l’article Anees Abrol avec Sergey Plis, Vince Calhoun, Yuhui Du, Rogers Silva, Mustafa Salman et Zening Fu.

Dans l’apprentissage automatique standard, les prédictions résultent du traitement des fonctions de prédiction via des règles d’inférence, et les limites de décision sont déterminées dans les «espaces d’entrée natifs, transformés par le noyau ou conçus par des fonctionnalités». Selon les chercheurs, il s’agit d’un facteur limitant dans les projets nécessitant la modélisation de données cérébrales complexes. De plus, une étape de prétraitement préliminaire est utilisée pour améliorer les performances de l’apprentissage automatique standard afin de réduire la dimensionnalité de l’espace d’entrée soit par extraction de caractéristiques, soit par sélection de caractéristiques de variables qui présentent les données.

A lire aussi  La vraie raison d'éviter l'auto-jugement

D’autre part, l’apprentissage en profondeur a la capacité d’apprendre des représentations et peut apprendre des données avec une étape de prétraitement minimale, voire aucune. L’apprentissage en profondeur, un sous-ensemble de l’apprentissage automatique de l’IA, a une conception qui s’inspire quelque peu du cerveau humain. La profondeur de l’apprentissage en profondeur fait référence aux nombreuses couches d’algorithmes cachées entre la couche d’entrée et de sortie dans son réseau neuronal artificiel. Les couches du réseau neuronal contiennent des nœuds de calcul analogues aux neurones biologiques.

Les chercheurs ont comparé les performances de plusieurs tâches de classification et de régression entre les approches d’apprentissage automatique standard et d’apprentissage en profondeur avec des données d’IRM structurelles de plus de 12000 sujets de la UK Biobank et de plus de 800 sujets du référentiel de l’Initiative de neuroimagerie de la maladie d’Alzheimer (ADNI).

Les modèles d’apprentissage automatique standard ont été formés et testés sur des fonctionnalités de matière grise qui ont été réduites de trois manières distinctes (sélection de fonctionnalités univariée, projection aléatoire gaussienne et élimination de fonctionnalités récursives) et deux modèles d’apprentissage profond (variantes de réseaux de neurones alambiqués en trois dimensions d’Alex Net) ont été formés sur l’espace d’entrée non réduit des cartes de matière grise en trois dimensions.

Ensuite, l’équipe a comparé l’apprentissage profond et l’apprentissage automatique standard sur une tâche de classification par âge et par sexe. Ils ont testé deux modèles d’apprentissage en profondeur non linéaires et six méthodes d’apprentissage automatique de modèles linéaires et non linéaires standard: machine vectorielle de support (SVM) avec un noyau linéaire, SVM avec une fonction polynomiale à base radiale, analyse discriminante linéaire, noyaux sigmoïdes et régression logistique. . Selon les chercheurs, ils ont observé que deux modèles d’apprentissage en profondeur «surpassaient considérablement» les modèles d’apprentissage automatique standard.

A lire aussi  Vous pouvez être heureux et voici pourquoi vous ne devriez jamais cesser d'essayer

«Les résultats montrent que si elles sont formées selon les pratiques DL courantes, les méthodes DL ont le potentiel de s’adapter particulièrement bien et de s’améliorer considérablement par rapport aux méthodes SML, tout en présentant une complexité asymptotique plus faible en temps de calcul relatif, bien qu’elles soient plus complexes», ont écrit les chercheurs. «Nous démontrons également que les plongements DL couvrent des spectres de projection compréhensibles spécifiques à une tâche et que DL localise de manière cohérente les biomarqueurs cérébraux discriminants.»

Copyright © 2021 Cami Rosso Tous droits réservés.