Innovative Deep Learning Approach for Biomedical Data Instantiation and Visualization
Approche innovante d'apprentissage profond pour l'instanciation et la visualisation de données biomédicales
Résumé
One of the main problems that most of biomedical applications face, is represented by the massive amount of unlabeled data. Manually analyzing and classifying massive database by human expert is mostly unfeasible, being-in certain limited conditions (still, extremely time-consuming)-partially been done, only for simple signatures, easily recognizable by an expert. Concerning this aspect, medical experts face two challenging problems: how to select the most significant data for labeling, and what is the minimum size of the data set-but sufficient to define each pathology-to perform the training of the classifier. In this chapter, we propose a new method, based on a visual data analysis, to build an efficient classifier with a minimum of labeled data. An encoder, part of a Convolutional Variational Autoencoder (CVAE), is used as a data projection for a 2D-visualization. The input vectors are encoded into a 2D-latent space, which helps the expert to visually analyze the spatial distribution of the training data set.
L'un des principaux problèmes auxquels la plupart des applications biomédicales sont confrontées est représenté par la quantité massive de données non labellisées. L'analyse et la classification manuelles d'une base de données massive par un expert humain sont pour la plupart irréalisables, étant - dans certaines conditions limitées (encore extrêmement chronophages) - partiellement effectuées, uniquement pour de annotations simples, facilement reconnaissables par un expert. Concernant cet aspect, les experts médicaux sont confrontés à deux problèmes difficiles : comment sélectionner les données les plus significatives pour l'étiquetage, et quelle est la taille minimale de l'ensemble de données - mais suffisante pour définir chaque pathologie - pour effectuer la formation du classificateur. Dans ce chapitre, nous proposons une nouvelle méthode, basée sur une analyse visuelle des données, pour construire un classifieur efficace avec un minimum de données labellisées. Un encodeur, de type autoencodeur variationnel convolutif (CVAE), est utilisé comme projection de données pour une visualisation 2D. Les vecteurs d'entrée sont codés dans un espace latent 2D, ce qui aide l'expert à analyser visuellement la distribution spatiale de l'ensemble de données d'apprentissage.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|