Estás leyendo la publicación: Cómo NeuTigers implementa el aprendizaje profundo en la inteligencia artificial perimetral para una fácil detección de covid
Fundada en 2018, NeuTigers es una empresa derivada de la Universidad de Princeton que crea soluciones de IA de vanguardia para la atención médica. La startup ha desarrollado una aplicación para la detección de Covid utilizando sensores médicos y redes neuronales. La investigación dirigida por Niraj Jha, profesor de ingeniería eléctrica e informática en la Universidad de Princeton, impulsó la innovación. El software integra lecturas de biomarcadores de sensores de relojes inteligentes y un cuestionario sobre síntomas de COVID.
El equipo de investigación de Princeton de Jha ha estado trabajando para implementar capacidades de aprendizaje profundo en la IA de borde. El equipo ha propuesto un marco, CovidDeep, para la detección de Covid basado en WMS (sensores médicos portátiles) y redes neuronales profundas.
¿Qué es CovidDeep?
CovidDeep extrae información de los datos capturados por los WMS. El marco también se basa en la generación de datos sintéticos a partir de la misma distribución de probabilidad que los datos de entrenamiento. Los datos sintéticos se utilizan para entrenar previamente la arquitectura DNN para imponer una prioridad en los pesos de la red. CovidDeep aprovecha el paradigma de síntesis de DNN de crecer y podar para mejorar la precisión y reducir los costos de computación del proceso de inferencia.
Fuente: ieee.org
CovidDeep obtiene datos de señales fisiológicas y cuestionarios. El marco tiene dos flujos. Sintéticos y no sintéticos. Utiliza métodos de generación de datos sintéticos para aumentar el tamaño del conjunto de datos y usar dichos datos para entrenar previamente la arquitectura DNN. Luego, utiliza la síntesis de crecer y podar para generar modelos de inferencia que son precisos y computacionalmente eficientes. Los modelos generados por CovidDeep son lo suficientemente eficientes como para implementarse en el borde para la inferencia de Covid.
entrenamiento modelo
CovidDeep utiliza diferentes tipos de modelos DNN:
- Aquellos entrenados solo en los datos sin procesar
- Aquellos capacitados en datos sin procesar aumentados con datos sintéticos para aumentar la precisión
- Aquellos sujetos a la síntesis de crecimiento y poda tanto para aumentar aún más la precisión como para reducir el tamaño del modelo.
El primer tipo de modelo DNN usa algunas capas ocultas. El segundo tipo de modelo DNN se entrena en base a un sistema llamado TUTOR y es adecuado para entornos donde la disponibilidad de datos es limitada. Proporciona a la DNN una polarización inductiva adecuada. El tercer tipo de modelo de DNN se basa en el paradigma de síntesis de DNN de crecer y podar y emplea tres operaciones de cambio de arquitectura: crecimiento de neuronas, crecimiento de conexiones y poda de conexiones. Se ha demostrado que las operaciones producen DNN que son precisos y eficientes.
Resultados
CovidDeep se probó en cuatro métricas diferentes: precisión de la prueba, tasa de falsos positivos (FPR), tasa de falsos negativos (FNR) y puntaje F1.
Los modelos CovidDeep DNN se evalúan con cuatro métricas diferentes: precisión de la prueba, tasa de falsos positivos (FPR), tasa de falsos negativos (FNR) y puntaje F1. Estas métricas evalúan el rendimiento del modelo desde diferentes perspectivas.
Los investigadores obtuvieron la mayor precisión de la prueba con un modelo DNN entrenado con el paradigma de síntesis de crecimiento y poda en el conjunto de datos con características de cuatro categorías: GSR, oxímetro de pulso (Ox), presión arterial (BP) y cuestionario (Q).
Fuente: ieee.org
CovidDeep combina WMS básicos y DNN eficientes para facilitar la detección temprana y generalizada de la infección por Covid. A través del aprendizaje incremental, la precisión del modelo mejora. CovidDeep se inspira en el cerebro humano y su capacidad para resolver problemas nuevos. Utilizando el enfoque TUTOR para la generación y el etiquetado de datos sintéticos, el modelo resuelve el problema de la falta de grandes conjuntos de datos de Covid.
CovidDeep ofrece un mecanismo de prueba preciso y de fácil acceso para la detección de Covid. El dispositivo puede realizar una inferencia a partir de unos minutos de recopilación de datos de un individuo para realizar una inferencia y no requiere la presencia de una enfermera o un médico durante la prueba. CovidDeep puede ayudar a frenar la propagación de Covid y reducir la necesidad de hospitalización.
