En un avance significativo en el campo del aprendizaje automático para electroencefalografías (EEG), un grupo de investigadores ha desarrollado un nuevo enfoque para pre-entrenar modelos de transformadores. Esta técnica aborda una limitación crítica en el uso de datos etiquetados, costosos y escasos, en áreas como la detección de convulsiones epilépticas.
Este estudio, encabezado por Tim Bary y Benoît Macq de la Universidad Católica de Lovaina, introduce un método innovador para crear conjuntos de datos pre-entrenables a partir de datos no etiquetados de EEG, utilizando tres tareas pre-entrenamiento intuitivas y comprensibles. Entre estas técnicas, el enfoque del “barajado de canales” ha demostrado notables mejoras al mostrar un alto rendimiento en la clasificación, incluso en situaciones de datos limitados.
El uso del corpus de detección de convulsiones de la Universidad del Templo fue fundamental para validar este método. Aquí, los modelos pre-entrenados mostraron una reducción en los tiempos de entrenamiento y un aumento en la precisión. La precisión en el pronóstico de convulsiones aumentó de 90.93% a 92.16%, y el área bajo la curva (AUC) también mejoró, situándose de 0.9648 a 0.9702.
Los métodos empleados no sólo permitieron aligerar el tiempo de ajuste fino en más del 50%, sino que también mejoraron la exactitud al predecir patrones de EEG que indican la proximidad de una convulsión. Además, uno de los descubrimientos más relevantes fue que el pre-entrenamiento con datos barajados demostró ser particularmente eficaz, logrando una convergencia más rápida sin comprometer la calidad de los resultados finales.
Este avance abre puertas a nuevas aplicaciones del aprendizaje no supervisado en la salud, especialmente en la creación de modelos que no sólo son más rápidos, sino también más precisos al abordar tareas complejas, como la detección precoz de convulsiones. La posibilidad de utilizar arquitecturas más “hambrientas de datos” sin depender de anotaciones extensas es prometedora para el desarrollo futuro de herramientas médicas basadas en inteligencia artificial.
En conclusión, la investigación de Bary y Macq representa un paso importante hacia una mayor eficiencia y precisión en el análisis de EEG, destacando las capacidades del aprendizaje auto-supervisado para transformar la forma en que se aborda la clasificación y predicción en el ámbito de la salud.