Definizione
Il Weakly Supervised Learning è un paradigma di apprendimento automatico che si colloca tra l’apprendimento supervisionato e l’apprendimento non supervisionato. In questo approccio, il modello viene addestrato con etichette parziali, incerte o rumorose, riducendo così il costo e il tempo necessari per ottenere dataset completamente annotati oppure quando questo non è possibile.
Le principali forme di apprendimento debolmente supervisionato includono:
- Apprendimento con etichette incomplete: Solo una parte dei dati ha etichette disponibili, mentre il resto è non etichettato.
- Apprendimento con etichette incerte o rumorose: Le etichette possono contenere errori o essere approssimate (es. generate automaticamente da un altro modello o da annotatori non esperti).
- Apprendimento con etichette imprecise: Le etichette fornite non sono dettagliate (es. classificare un’immagine medica come “patologica” senza specificare la lesione esatta).
Applicazioni in medicina
- Analisi automatica dei referti clinici: Sistemi di Natural Language Processing (NLP) possono apprendere da referti medici parzialmente etichettati, identificando automaticamente condizioni patologiche senza bisogno di una supervisione completa.
- Predizione di esiti clinici: Modelli predittivi possono essere addestrati su dati ospedalieri parzialmente etichettati, migliorando la capacità di prevedere complicanze post-operatorie o risposte ai trattamenti.
