Técnicas de Machine Learning reduzem falsas previsões de crises de epilepsia

15 de Julho 2024

Um estudo inovador conduzido pelo Departamento de Engenharia Informática (DEI) da Faculdade de Ciências e Tecnologia da Universidade de Coimbra (FCTUC) confirmou que técnicas de Transfer Learning (TL) podem reduzir significativamente o número de falsas previsões de crises epiléticas.

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

0 Comments

Submit a Comment

O seu endereço de email não será publicado. Campos obrigatórios marcados com *

ÚLTIMAS

Novo surto de Febre do Vale do Rift ameaça Ruanda

Ruanda intensifica medidas contra segundo surto de Febre do Vale do Rift em dois anos. Doença já infetou 28 animais desde agosto. Ausência de testes rápidos dificulta resposta das autoridades

MAIS LIDAS

Share This