Se requiere una suscripción a JoVE para ver este contenido. Inicie sesión o comience su prueba gratuita.
Artículo de investigación
El aprendizaje automático con biomarcadores multimodales mejora la predicción y monitorización de enfermedades, ofreciendo promesas para los avances sanitarios en diversos ámbitos y mejorando los resultados sanitarios mediante una predicción precisa de enfermedades.
Cada año, muchas personas en todo el mundo se ven afectadas progresivamente por las devastadoras condiciones de salud como enfermedades cardíacas, infecciones respiratorias, disfunción neurológica, estrés cognitivo, cáncer, ictus, diabetes, etc., que conducen a graves complicaciones de salud y anomalías asociadas. Por ello, el análisis temprano de la salud es crucial, ya que permite una intervención oportuna con terapias dirigidas, proporcionando potencialmente alivio inmediato y beneficios sostenidos a largo plazo que pueden ralentizar la progresión de la enfermedad. Debido a los complejos procesos fisiopatológicos y a los ensayos clínicos heterogéneos en diversas condiciones de salud, es necesario biomarcadores altamente sensibles y multimodales, así como enfoques investigativos eficaces para detectar y monitorizar con precisión los resultados de salud de los pacientes. Por ello, se consideran algoritmos de aprendizaje automático con diversas categorías y técnicas para predecir resultados, incluyendo pronóstico, evaluación de riesgos, estratificación de pacientes y monitorización de enfermedades. El desarrollo del trabajo propuesto se divide en tres etapas, ya que la primera etapa define la importancia de la atención sanitaria con estudios de caso, seguida por los algoritmos tradicionales de Aprendizaje Automático (ML), los enfoques tradicionales de Aprendizaje Profundo (DL) y las técnicas modernas de aprendizaje profundo (TabNet y AutoInt) en la segunda etapa. Finalmente, los experimentos se implementan para justificar los resultados. Este trabajo destaca la agrupación de modalidades integrando biomarcadores moleculares de proteínas, químicos y genéticos con características emergentes del aprendizaje automático. Los resultados indican una mejora significativa en la predicción de la precisión utilizando la metodología propuesta.
El sistema sanitario utiliza cada vez más analíticas predictivas para monitorizar a los pacientes y diagnosticar los resultados de salud de forma oportuna, facilitando la atención proactiva y mejorando los resultados para los pacientes. Al integrar la analítica predictiva con biomarcadores, los clínicos pueden mejorar la precisión diagnóstica, identificar tratamientos eficaces, monitorizar el progreso de la terapia y obtener valiosos conocimientos sobre los mecanismos de la enfermedad, lo que en última instancia conduce a decisiones de tratamiento más informadas y efectivas. Los biomarcadores se refieren a las características de moléc....
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
1. Flujo de trabajo experimental
La Figura 1 ilustra una cadena de flujo de trabajo organizada y modular diseñada para categorizar biomarcadores moleculares en categorías de indicación de riesgo o diagnóstico utilizando técnicas de aprendizaje automático y aprendizaje profundo. Aquí tienes una explicación detallada paso a paso del proceso:
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Los experimentos se realizan utilizando enfoques de ML y DL para comparar su rendimiento. Al mismo tiempo, se considera crear modelos de aprendizaje automático que utilicen tanto mecanismos de aprendizaje supervisado como no supervisado. Las técnicas supervisadas utilizadas en esta metodología son Regresión Logística, Árbol de Decisión, Bosque Aleatorio, Impulso de Gradiente, Máquina de Vectores de Soporte y algoritmos de K Vecinos Más Cercanos. Estos algoritmos van desde modelos estadís.......
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
El trabajo propuesto analiza claramente la importancia de los biomarcadores en la identificación y monitorización de una enfermedad y sus características. El enfoque sugerido para la metodología de biomarcadores se basa en cuatro pasos esenciales: preparación cuidadosa de los datos (limpieza, codificación, eliminación de identificadores); codificación uniforme de objetivos (Riesgo=0, Diagnóstico=1); normalización de características y incrustación profunda de alta calidad para modelos com.......
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
Los autores no tienen nada que revelar.
Los autores no recibieron financiación externa.
....Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Modelo AutoInt | Universidad de Pekín | https://github.com/shichence/AutoInt | Aprendizaje automático de interacción de características mediante redes neuronales auto-atentas: Algoritmo eficiente para aprender automáticamente interacciones de características de alto orden para características categóricas y numéricas (dispersas) |
| deepctr_torch.modelos | Código abierto | https://github.com/shenweichen/DeepCTR-Torch | Paquete modular y extensible de modelos CTR basados en aprendizaje profundo para construir su propio modelo personalizado fácilmente. |
| Colaboratorio de Google | https://colab.research.google.com/ | Basado en la nube entorno para escribir y ejecutar código Python a través del navegador para aprendizaje automático y análisis de datos | |
| Keras 2.6.0 | Keras | https://keras.io/ | Proporciona una interfaz en Python para ejecutar redes neuronales que se ejecuta sobre Tensorflow |
| MarkerDB 2.0 | MarkerDB | https://markerdb.ca/downloads | Base de datos pública disponible de biomarcadores moleculares |
| Matplotlib 3.4.3 | Matplotlib | https://matplotlib.org/ | Biblioteca de visualización para python |
| Numpy 1.21.4 | Entumecido | https://numpy.org/ | Paquete fundamental para la computación científica con Python |
| Pandas 1.3.4 | Pandas | https://pandas.pydata.org/ | Herramienta de análisis y manipulación de datos de código abierto potente, flexible y fácil de usar, construida sobre el lenguaje de programación Python. |
| Python 3.8.10 | Fundación de Software Python | https://www.python.org/ | Lenguaje de programación popular que integra sistemas de aprendizaje profundo de forma más eficaz. |
| pytorch_tabnet.tab_model | Pytorch | https://pypi.org/project/pytorch-tabnet/ | Por implementar problemas de clasificación binaria/multiclase y regresión. |
| Scikit-learn | Scikit-learn | https://scikit-learn.org/stable/ | Módulo de Python para algoritmos de aprendizaje automático |
| Seaborn | Seaborn | https://seaborn.pydata.org/ | Biblioteca de visualización de datos de alto nivel para dibujar gráficos estadísticos atractivos e informativos |
| Modelo TabNet | https://github.com/dreamquark-ai/tabnet | TabNet es una red neuronal de extremo a extremo diseñada para manejar directamente datos tabulares | |
| Tensorflow 2.6.0 | https://www.tensorflow.org/ | Una plataforma de extremo a extremo para aprendizaje automático |
Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.