Resumen
Overview of the main principles of Deep Learning along with common architectures. Formulate the problem for time-series classification and apply it to vital signals such as ECG.
Applying this methods in Electronic Health Records is challenging due to the missing values and the heterogeneity in EHR, which include both continuous, ordinal and categorical variables. Subsequently, explore imputation techniques and different encoding strategies to address these issues.
Apply these approaches to formulate clinical prediction benchmarks derived from information available in MIMIC-III database.
Programa
- Inteligencia Artificial y Perceptrón Multicapa
Esta semana incluye una visión general de la historia del aprendizaje profundo y de las plataformas populares de aprendizaje profundo. Posteriormente, se discuten las Redes de Perceptrón Multicapa (MLP) junto con funciones de activación comunes, funciones de pérdida y algoritmos de optimización. Finalmente, los ejercicios prácticos permitirán optimizar y evaluar el MLP en la clasificación de ECG.
- Redes Neuronales Convolucionales y Recurrentes
Las Redes Neuronales Convolucionales (CNNs) revolucionaron la forma en que procesamos imágenes y contribuyeron significativamente al éxito del aprendizaje profundo. Esta semana vamos a discutir qué ventajas ofrecen las CNNs sobre el MLP y implementaremos CNNs para clasificaciones de series temporales. Posteriormente, vamos a presentar las Redes Neuronales Recurrentes (RNNs). En particular, discutiremos las Redes de Memoria a Largo Corto Plazo y las Redes de Unidad Recurrente con Puerta. Los ejercicios prácticos permitirán diseñar y entrenar todos estos tipos de redes en la clasificación de ECG. Se enfatizará la importancia de los conjuntos de datos de entrenamiento, validación y prueba para evitar el sobreajuste y evaluar el modelo.
- Preprocesamiento e imputación de datos MIMIC III
Desarrollar conjuntos de datos de referencia para las DNNs basadas en la base de datos MIMIC-III involucra varios pasos que incluyen la selección de cohortes, la conversión de unidades, la eliminación de valores atípicos y la agregación de datos dentro de ventanas de tiempo. Este último paso permite representar los registros médicos electrónicos (EHR) como datos de series temporales, pero también es susceptible a la falta de datos. Por esta razón, se presentan estrategias de imputación basadas tanto en técnicas tradicionales como en aprendizaje profundo. El estudiante tendrá la oportunidad de preprocesar EHR y entrenar modelos de aprendizaje profundo para predecir la mortalidad intra-hospitalaria.
- Codificaciones de EHR para modelos de aprendizaje automático
Los EHRs incluyen variables categóricas, ordinales y continuas. La representación adecuada de los datos es importante y las codificaciones afectan el rendimiento de la predicción. Esta semana incluye varias estrategias diferentes para codificar los datos, como codificaciones de objetivo, codificaciones de aprendizaje profundo y codificaciones de similitud. En particular, se demostrará y aplicará el uso de autoencoders, que es una arquitectura de aprendizaje profundo para representar datos en un espacio de menor dimensión, en la predicción de mortalidad intra-hospitalaria.
Impartido por
Fani Deligianni
Materias
Computer Science
