En un estudio reciente, investigadores de la Universidad Case Western Reserve en Cleveland, Ohio, analizaron paisajes urbanos de Google Street View utilizando inteligencia artificial para establecer una relación entre el entorno construido y la incidencia de enfermedades coronarias (CHD) en diferentes vecindarios.
anuncio
Modelos predictivos mejorados utilizando datos de Street View
en El European Heart Journal publicó un estudio Sugiere que las características del entorno urbano extraídas de imágenes de Street View mediante aprendizaje automático pueden explicar el 63 por ciento de las diferencias en la prevalencia de enfermedades coronarias entre vecindarios. El análisis de las imágenes de Google Street View mejoró un modelo que anteriormente solo tenía en cuenta la edad, el género, el origen étnico, los ingresos y la educación en las zonas censales.
Para el estudio, se evaluaron alrededor de medio millón de imágenes de Google Street View de Detroit, Kansas City, Cleveland, Brownsville, Fremont, Bellevue y Denver. El equipo utilizó una red neuronal convolucional profunda previamente entrenada para procesar imágenes y extraer información ambiental. Lugares 365 CNN a.
Grad-CAM visibiliza los factores de riesgo
A través de análisis adicionales utilizando el mapeo de activación estratificada en gradiente (Grad-CAM), los investigadores también pudieron identificar características ambientales específicas asociadas con un mayor o menor riesgo de enfermedad coronaria según la IA. Los edificios ruinosos y las carreteras dañadas indican un mayor riesgo, mientras que los espacios verdes en las calles se han asociado con una menor propagación de enfermedades. Los autores sostienen que su enfoque tiene el potencial de identificar rápidamente áreas de una ciudad con mayor riesgo a través de la evaluación de datos geográficos por parte de la IA. De esta manera, se pueden tomar medidas preventivas específicas y reducir las desigualdades en materia de enfermedades cardiovasculares en las zonas urbanas.
Grad-CAM, abreviatura de Mapeo de activación de capa ponderada, es una técnica que proporciona información sobre el proceso de toma de decisiones en redes neuronales convolucionales (CNN) mediante la visualización de las regiones de la imagen que contribuyeron a la identificación de una categoría particular. Esto se logra utilizando los gradientes de la clase objetivo con respecto a la capa convolucional final de la CNN para crear una representación similar a un mapa de calor que muestra qué partes de la imagen eran importantes para la clasificación.
Sin embargo, el estudio también tiene algunas limitaciones, como admiten los propios investigadores. Los datos de Street View solo muestran las calles principales, no las áreas residenciales periféricas. Además, los modelos de IA sólo pueden reconocer detalles y objetos limitados. La visualización Grad-CAM también deja lugar a especulaciones sobre lo que realmente capturó la IA. Finalmente, los datos analizados provienen de sólo siete ciudades de EE. UU. y no necesariamente pueden generalizarse.
Leer también
(Fazza)
«Alborotador. Amante de la cerveza. Total aficionado al alcohol. Sutilmente encantador adicto a los zombis. Ninja de twitter de toda la vida».