Please enable JavaScript.
Coggle requires JavaScript to display documents.
MACHINE LEARNING E APPLICAZIONI AI DISTURBI PSICOTICI - Coggle Diagram
MACHINE LEARNING E APPLICAZIONI AI DISTURBI PSICOTICI
Intelligenza artificiale in ambito medico
Supporto a diagnosi e prognosi
Analisi di grandi moli di dati
Modelli individualizzati
Machine Learning (definizione)
Herbert Simon
Sistema che migliora le performance con l’esperienza
Analogia con apprendimento umano
Principi fondamentali (PTE)
Performance (P)
Miglioramento dell’outcome
Task (T)
Compito di apprendimento
Experience (E)
Apprendimento basato sull’esperienza
Differenza con programmazione tradizionale
Sistemi classici
Programmi predefiniti
Output fisso
Machine Learning
Dati + outcome desiderato
Produzione di un algoritmo
Quando è utile il Machine Learning
Mancanza di esperienza umana
Esperienza non spiegabile a una macchina
Es. riconoscimento vocale
Grandi moli di dati
Es. genomica
Necessità di modelli personalizzati
Medicina personalizzata
Applicazioni cliniche
Identificazione sottotipi di pazienti
Diagnosi
Prognosi
Predizione dell’evoluzione della psicosi
Integrazione di dati multidimensionali
Tipi di Machine Learning
Non supervisionato
Nessuna label iniziale
Scoperta di strutture latenti
Output = dati categorizzati
Identificazione di pattern
Tecnica principale:
Clustering
Supervisionato
Presenza di label
Es. pazienti sani vs pazienti psichiatrici
Apprendimento guidato
Classificazione e predizione
Algoritmo principale:
Support Vector Machine (SVM)
Confine di classificazione
Massimizzazione della generalizzabilità
Assegnazione basata su features
Classificazione dei dati
Distanza dal confine
Vicinanza → rischio di confusione
Identificazione soggetti atipici
Pazienti simili ai controlli
Controlli simili ai pazienti
Output del Machine Learning
Decision score
Posizionamento rispetto al confine
Individualizzazione dei modelli
Peso delle singole caratteristiche
Generalizzabilità dei modelli
Rischio di overfitting
Necessità di validazione
Cross-validazione
Creazione di modelli provvisori
Testing su sottogruppi esclusi
Selezione del modello migliore
Tipi di validazione
External validation
Consorzi multicentrici
Leave-site-out cross validation
Controllo effetto sito
Prospective validation
Coorti a rischio
Predizione sviluppo patologia
Machine Learning vs statistica classica
Statistica classica
Analisi univariata
Una variabile alla volta
Machine Learning
Analisi multivariata
Effetto simultaneo delle variabili
Modelli più realistici
Rilevanza clinica
Processi patogenetici complessi
Interazione tra fattori
Migliore rappresentazione del fenotipo patologico