Schemi di validazione per algoritmi di machine learning in medicina

Di Rosa, Eleonore Federica (2021) Schemi di validazione per algoritmi di machine learning in medicina. [Laurea], Università di Bologna, Corso di Studio in Ingegneria biomedica [L-DM270] - Cesena, Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore. (Contatta l'autore)

Abstract

Negli ultimi anni l’intelligenza artificiale, e in particolare il machine learning, hanno iniziato a ricoprire un ruolo di importanza crescente in medicina, trovando applicazione in molteplici attività della ricerca medica che fino a poco tempo fa erano considerate di esclusivo appannaggio dei clinici. Per permettere ai modelli tipici del machine learning di divenire un valido strumento a supporto della diagnosi, e della comprensione di un numero sempre maggiore di patologie, occorre individuare le strategie di addestramento più adatte all’algoritmo di interesse, tenendo conto della struttura dei dati a disposizione. Questo elaborato si propone di descrivere e commentare i principali schemi di validazione utilizzati in medicina, ovvero le modalità di addestramento e verifica delle performance degli algoritmi scelti per la specifica applicazione medica. A scopo esemplificativo, tutte le procedure illustrate vengono successivamente applicate ad un caso reale di predizione dell’età di un insieme di soggetti, per cui sono note alcune caratteristiche derivanti da un’indagine di neuroimaging. Con l’obiettivo di perfezionare sia il processo di apprendimento, sia l’aderenza al caso reale, viene inoltre affrontato il problema dell’ottimizzazione parametrica dei modelli di machine learning, che costituisce un’operazione importante nell’intero processo decisionale per il quale è stato coinvolto l’algoritmo. Viene infine mostrato come validazione ed ottimizzazione parametrica possano essere combinate, per migliorare significativamente la capacità degli algoritmi di generalizzare a partire dagli esempi forniti in fase di addestramento, e per potenziare quindi il loro potere predittivo.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Di Rosa, Eleonore Federica
Relatore della tesi
Correlatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
machine learning,holdout,cross-validazione,iperparametri
Data di discussione della Tesi
23 Luglio 2021
URI

Altri metadati

Gestione del documento: Visualizza il documento

^