Tipos de aprendizajes:
Existen varias formas de entrenar un sistema de machine learning, dependiendo de cómo sean los datos disponibles y qué se quiera lograr. Cada una tiene aplicaciones específicas en el ámbito sanitario y biomédico.
- El aprendizaje supervisado es el más habitual. Aquí se entrena al sistema con datos ya etiquetados: por ejemplo, radiografías donde un médico ha marcado si hay o no neumonía. El sistema aprende a predecir esas etiquetas y luego puede aplicarlo a nuevas imágenes.
- El aprendizaje no supervisado no parte de etiquetas previas. En lugar de decirle al sistema qué buscar, se le permite explorar los datos por su cuenta para encontrar agrupaciones o patrones ocultos. Esto puede servir, por ejemplo, para descubrir subtipos de enfermedades que antes se trataban como un único diagnóstico.
- El aprendizaje semi-supervisado combina ambas estrategias: se dispone de pocos datos etiquetados y muchos sin etiquetar. Esto es muy útil en medicina, donde etiquetar datos clínicos puede ser caro, lento y requerir expertos.
- El aprendizaje por refuerzo funciona como el entrenamiento de un agente inteligente que prueba distintas estrategias y aprende de sus errores. Se aplica en robótica médica, diseño de tratamientos adaptativos, o en la simulación de entornos clínicos para entrenamiento virtual.
