COMPRESIÓN DE MODELOS BASADOS EN APRENDIZAJE PROFUNDO PARA LA DETECCIÓN DE LA FIBRILACIÓN AURICULAR

Abstract

En la actualidad, se observa una disminución en la tasa de acceso a los servicios de salud en todos los países, principalmente debido al crecimiento poblacional a escala global. Como resultado, la tasa de mortalidad por enfermedades que requieren servicios de diagnóstico especializado ha aumentado. Entre los casos más preocupantes se encuentran las enfermedades cardíacas isquémicas, que son una de las principales causas de mortalidad a nivel mundial. Este es el caso de las arritmias cardíacas, como la fibrilación auricular, que requieren monitoreo constante para su detección y diagnóstico. Estudios recientes muestran que la detección temprana de la fibrilación auricular puede mejorar la calidad de vida y reducir el número de muertes. Actualmente, la tecnología facilita la implementación de sistemas de monitoreo portátiles, convirtiéndose en una rama emergente dentro de la medicina. Además, existe evidencia empírica que sugiere el potencial de la inteligencia artificial en la detección de arritmias, incluyendo la fibrilación auricular y otras arritmias.

Este proyecto implementó un conjunto de modelos de Redes Neuronales Profundas (RNP) comprimidos para detectar la fibrilación auricular. Se desarrollaron varios modelos compactos de RNP para lograr una precisión de vanguardia con un número mínimo de parámetros. Sumado a esto, se aplicaron diferentes estrategias de compresión para reducir el tamaño y la complejidad computacional de estos modelos compactos. Además, proponemos la implementación de aprendizaje contrastivo para mejorar el rendimiento de una RNP que clasifica la fibrilación auricular en escenarios con pocos datos etiquetados, modelos pequeños y datos ruidosos.

Presentamos nuestros resultados en cuanto a precisión, requisitos de memoria y complejidad computacional en términos de operaciones en punto flotante (FLOPs). También comparamos nuestros resultados con otros estudios similares que utilizaron Redes Neuronales Profundas para la detección de la fibrilación auricular. Este estudio sugiere que es posible detectar la fibrilación auricular utilizando modelos de baja complejidad que son factibles de implementar en dispositivos portátiles sin disminuir la precisión de la predicción.