Autor/autores:
Schwarz, Hong, Tost...(et.al)
La investigación traslacional en neurociencia se centra cada vez más en el análisis de datos multimodales, con el fin de dar cuenta de la complejidad biológica de los mecanismos de enfermedad sospechosos. Los avances recientes en el aprendizaje automático tienen el potencial de impulsar sustancialmente dicha investigación traslacional a través del ...
PUBLICIDAD
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
La investigación traslacional en neurociencia se centra cada vez más en el análisis de datos multimodales, con el fin de dar cuenta de la complejidad biológica de los mecanismos de enfermedad sospechosos.
Los avances recientes en el aprendizaje automático tienen el potencial de impulsar sustancialmente dicha investigación traslacional a través del análisis simultáneo de diferentes modalidades de datos.
Esta revisión se centra en uno de esos enfoques, el llamado "aprendizaje multitarea" (MTL), y describe su utilidad potencial para el análisis de datos multimodales en neurociencia.
Resumimos el desarrollo metodológico de MTL a partir del aprendizaje automático convencional y presentamos varios escenarios que parecen particularmente adecuados para su aplicación.
Para estos escenarios, destacamos diferentes tipos de algoritmos MTL, analizamos las adaptaciones tecnológicas emergentes, y proporcionar una guía paso a paso para que los lectores apliquen el enfoque MTL en sus propios estudios.
Con su capacidad para analizar simultáneamente múltiples modalidades de datos, MTL puede convertirse en un elemento importante del repertorio analítico utilizado en futuras investigaciones en neurociencia y más allá.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.frontiersin.org/
