A pesquisa destaca que essas técnicas mantêm a mesma capacidade de previsão dos modelos de Machine Learning (ML).

A investigação, realizada no âmbito do projeto “RECoD-Towards Realistic Epileptic Seizure Prediction: dealing with long-term concept drifts and data-labeling uncertainty”, está documentada na revista “Scientific Reports”.

O TL é uma técnica de ML onde um modelo pré-treinado numa tarefa é ajustado para desempenhar uma nova tarefa relacionada. Normalmente, treinar um novo modelo de ML requer muito tempo, uma grande quantidade de dados e considerável poder computacional. Com TL, modelos existentes são reconfigurados para novas tarefas utilizando dados atualizados, tornando o processo mais eficiente.

César Teixeira (na imagem), docente do DEI e investigador do Centro de Informática e Sistemas da Universidade de Coimbra (CISUC), explicou: “Este artigo apresenta uma abordagem de TL para desenvolver modelos personalizados de previsão de crises epiléticas, criados individualmente para cada paciente utilizando Redes Neurais Profundas (DNNs). O modelo baseou-se em dados de 40 pacientes da base de dados EPILEPSIAE, e foi posteriormente utilizado para otimizar preditores para novos doentes.”

Segundo Teixeira, “os resultados mostraram que o desenvolvimento por TL permite obter cerca de quatro vezes menos falsos alarmes, mantendo a mesma capacidade de prever crises, comparado com modelos treinados do zero. Assim, concluímos que é possível superar limitações induzidas pelo baixo número de crises utilizando estas técnicas.”

Além do modelo de TL, o projeto RECoD também contribuiu para o desenvolvimento de abordagens não-supervisionadas na deteção de estados pré-crise e na interpretação e explicação de preditores de crises epiléticas.

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

O artigo científico “Addressing data limitations in seizure prediction through transfer learning” está disponível para consulta aqui.

NR/HN/PR