📊 statistics

Bayesian uncertainty-aware deep learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection

Este artículo presenta BUNDL, un nuevo algoritmo de aprendizaje profundo bayesiano agnóstico al modelo que utiliza una función de pérdida basada en la divergencia KL para manejar el ruido de etiquetas en la detección de crisis de EEG, mejorando así la robustez y la generalizabilidad del modelo sin añadir parámetros adicionales.

Autores originales: Deeksha M. Shama, Archana Venkataraman

Publicado 2026-06-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Deeksha M. Shama, Archana Venkataraman

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Probleo Central: Enseñar con un "Libro de Texto Defectuoso"

Imagina que eres un profesor intentando entrenar a un estudiante (un programa informático de IA) para reconocer crisis epilépticas a partir de grabaciones de ondas cerebrales (EEG). Para hacer esto, le entregas al estudiante un libro de texto lleno de ejemplos de crisis y de actividad cerebral normal.

Sin embargo, hay un problema importante: el libro de texto ha sido escrito por humanos que cometen errores.

En el mundo médico, los doctores observan estas complejas ondas cerebrales y marcan dónde comienza y termina una crisis. Pero debido a que las señales son ruidosas y difíciles de leer, los doctores suelen no estar de acuerdo. A veces marcan una crisis como si hubiera comenzado antes de lo que realmente ocurrió (sobresegmentación), o pierden el momento exacto del final. Esto se llama "ruido de etiquetas" (label noise).

Si enseñas a tu estudiante de IA usando este libro de texto imperfecto, el estudiante aprenderá los errores. Pensará que el "ruido" es parte de una crisis, o se confundirá sobre cuándo ocurre realmente una crisis. Esto hace que la IA sea poco fiable.

La Solución: BUNDL (El "Estudiante Escéptico")

Los autores crearon un nuevo método de entrenamiento llamado BUNDL (Aprendizaje Profundo con Conciencia de la Incertidumbre Bayesiana).

Piensa en BUNDL no como un nuevo tipo de estudiante, sino como una nueva estrategia de enseñanza que hace al estudiante más inteligente sobre cuándo confiar en el libro de texto.

Así es como funciona, usando una analogía:

La "Verificación de Confianza" (Monte Carlo Dropout):
Normalmente, cuando la IA mira una onda cerebral, da una sola respuesta: "Esto es una crisis".
Con BUNDL, la IA se ve obligada a mirar la misma onda cerebral varias veces, pero cada vez ignora una parte aleatoria de su propio cerebro (una técnica llamada dropout).
- Si la IA dice "Crisis" en todas las ocasiones, tiene confianza.
- Si la IA dice "Crisis" a veces y "Normal" otras veces, está incertidumbre.
El "Medidor de Confianza" (La incertidumbre como indicador del ruido):
Los autores se dieron cuenta de que cuando la IA tiene incertidumbre sobre una onda cerebral específica, generalmente es porque la etiqueta humana en el libro de texto es errónea o ambigua.
- Alta Confianza: La IA confía en la etiqueta del libro de texto.
- Alta Incertidumbre: La IA piensa: "Espera, estoy confundido. El libro dice que esto es una crisis, pero mi propio análisis es inestable. El libro de texto podría estar equivocado aquí".
La "Corrección Inteligente" (La Función de Pérdida):
En lugar de aceptar ciegamente la respuesta del libro de texto, BUNDL utiliza una fórmula matemática para ajustar la lección.
- Si la IA tiene incertidumbre, depende menos de la etiqueta humana y más de su propio reconocimiento de patrones.
- Básicamente dice: "Aprenderé de este ejemplo, pero no confiaré en la marca de tiempo del humano al 100% porque los datos parecen desordenados".

¿Por qué es mejor que otros métodos?

Existen otras formas de manejar libros de texto defectuosos, pero tienen desventajas:

El enfoque del "Editor" (Poda/Pruning): Algunos métodos intentan desechar las páginas "malas" del libro de texto antes de enseñar. Pero en los datos de EEG, es difícil saber qué páginas son realmente malas, por lo que podrías desechar información importante.
El enfoque del "Traductor" (Capas de Ruido): Algunos métodos añaden una capa extra compleja a la IA para "traducir" las etiquetas ruidosas en etiquetas limpias. Esto hace que la IA sea mucho más grande, lenta y difícil de construir.

BUNDL es diferente porque:

Es Ligero: No añade ninguna parte nueva a la IA. Solo cambia cómo la IA aprende de los datos existentes.
Es Universal: Puede conectarse a casi cualquier modelo de IA existente (como un adaptador universal).
Es Eficiente: No requiere almacenar enormes cantidades de datos pasados ni ejecutar múltiples etapas de entrenamiento separadas.

Los Resultados: ¿Funcionó?

Los investigadores probaron BUNDL en tres cosas:

Datos Falsos: Crearon ondas cerebrales simuladas por computadora donde sabían exactamente dónde estaban los errores.
Datos Reales de Hospitales (TUH y CHB-MIT): Utilizaron registros reales de pacientes de dos hospitales diferentes.
Datos No Vistos (Siena): Probaron si la IA podía funcionar con datos de un tercer hospital que nunca había visto.

Los Hallazgos:

Menos Falsas Alarmas: La mayor victoria fue que BUNDL redujo significativamente las Falsas Positivas. En términos médicos, esto significa que la IA dejó de gritar "¡Lobo!" cuando no había una crisis. Esto es crucial porque los doctores odian ser despertados por falsas alarmas.
Mejor Localización: La IA mejoró su capacidad para señalar con precisión dónde en el cerebro comenzó la crisis (Zona de Inicio de la Crisis). Esto es importante para los cirujanos que necesitan saber exactamente qué parte del cerebro operar.
Robustez: Incluso cuando las etiquetas humanas eran muy desordenadas (sobresegmentadas), BUNDL mantuvo el buen rendimiento de la IA, mientras que otros métodos tuvieron dificultades.

Las Advertencias (Lo que el artículo admite)

Es una Herramienta de Entrenamiento, no un Nuevo Cerebro: BUNDL no es un nuevo modelo de IA; es una forma de entrenar mejor los modelos existentes.
Compromiso de Sensibilidad: En algunos casos, al ser tan cuidadosa con las falsas alarmas, la IA perdió algunas crisis reales (menor sensibilidad). Los autores señalan que esto se debe probablemente a que las propias etiquetas humanas eran imprecisas, por lo que la IA tenía razón al ser escéptica.
Costo Computacional: Debido a que la IA tiene que mirar los datos varias veces para verificar su confianza, el entrenamiento tarda un poco más que los métodos estándar. Sin embargo, una vez entrenada, la IA funciona a velocidad normal.

Resumen

Imagina intentar aprender a conducir con un GPS que a veces da direcciones erróneas.

Forma Antigua: Confías ciegamente en el GPS y chocas.
Otras Formas Nuevas: Contratas un segundo GPS para que discuta con el primero (caro y lento).
Forma BUNDL: Aprendes a notar cuando el GPS duda o da direcciones vagas. Cuando duda, confías más en tus propios ojos y en las señales de la calle. No necesitas un segundo GPS; solo necesitas ser más inteligente sobre cuándo confiar en el primero.

BUNDL hace que la IA sea "escéptica" ante las malas etiquetas humanas, lo que conduce a una detección de crisis más fiable sin necesidad de reconstruir la IA desde cero.

Resumen Técnico: Aprendizaje Profundo con Conciencia de la Incertidumbre Bayesiana para Etiquetas de EEG con Ruido

Planteamiento del Problema
El aprendizaje profundo ha avanzado en la detección automatizada de crisis epilépticas y la localización de la zona de inicio; sin embargo, su eficacia depende en gran medida de datos de entrenamiento de alta calidad. Las señales de EEG de electroencefalograma de superficie son inherentemente ruidosas y propensas a artefactos, lo que conduce a anotaciones manuales imprecisas del tiempo y las características de las crisis por parte de los clínicos. Las investigaciones indican que el acuerdo inter-evaluador entre los clínicos que interpretan los datos de EEG es a menudo bajo (rondando el 60%), lo que resulta en "ruido de etiqueta" donde las anotaciones proporcionadas son solo aproximadamente correctas. Este ruido presenta un desafío significativo: los modelos de aprendizaje supervisado estándar, que asumen etiquetas de "verdad fundamental" (ground truth) precisas, pueden aprender características erróneas, lo que conduce a una generalización deficiente a través de cohortes de pacientes heterogéneas. Los métodos existentes para manejar el ruido de etiqueta a menudo requieren cambios arquitectónicos complejos, parámetros adicionales aprendibles, entrenamiento de múltiples etapas o dependen de estrategias de "poda dura" (hard pruning) que corren el riesgo de eliminar muestras de datos valiosas.

Metodología: BUNDL
Los autores proponen BUNDL (Aprendizaje Profundo con Conciencia de la Incertidumbre Bayesiana), un marco de entrenamiento agnóstico al modelo diseñado para informar a las redes neuronales profundas sobre las ambigüedades de las etiquetas sin alterar las arquitecturas existentes ni añadir parámetros.

Marco Probabilístico: BUNDL modela la relación entre los datos de EEG observados ( $x$ ), las etiquetas "limpias" no observadas ( $y_c$ ) y las etiquetas ruidosas observadas ( $y_n$ ) utilizando un modelo gráfico bayesiano. Trata la etiqueta ruidosa como una variable aleatoria influenciada tanto por el estado real de la crisis como por los datos observados.
Corrección de Etiquetas Impulsada por la Incertidumbre: La innovación central es el uso de Dropout de Monte Carlo (MCD) para estimar la falta de fiabilidad de la etiqueta ( $z_{x,y_n}$ ). Durante el entrenamiento, el modelo realiza múltiples pasadas hacia adelante con el dropout habilitado para generar una distribución empírica de las predicciones. La entropía de estas predicciones sirve como un proxy para el ruido de la etiqueta; una entropía alta indica que el modelo tiene incertidumbre sobre una muestra, lo que sugiere que la etiqueta proporcionada puede ser ruidosa.
Función de Pérdida Novedosa: En lugar de minimizar la entropía cruzada estándar entre las predicciones y las etiquetas ruidosas, BUNDL minimiza la divergencia KL entre la predicción de la red y una distribución posterior de la etiqueta "limpia" derivada ( $p(y_c|x)$ $p (y_{c} ∣ x)$ ). Esta posterior es una combinación ponderada de la etiqueta del clínico y la propia predicción del modelo, donde el peso está determinado por la medida de incertidumbre $z_{x,y_n}$ $z_{x, y_{n}}$ .
- Cuando la incertidumbre es baja, el modelo confía en la etiqueta del clínico.
- Cuando la incertidumbre es alta, el modelo depende más de sus propias predicciones aprendidas, efectivamente disminuyendo el peso de las anotaciones potencialmente ruidosas.
Estrategia de Entrenamiento: El marco emplea una fase de pre-entrenamiento en muestras de alta confianza (por ejemplo, regiones de línea base y de crisis claras) para establecer un estado inicial robusto. El entrenamiento posterior utiliza la función de pérdida BUNDL. El método es compatible con cualquier arquitectura de red profunda (por ejemplo, CNN, Transformers, RNN) que soporte dropout.

Contribuciones Clave

Corrección de Etiquetas Impulsada por la Incertidumbre: Introducción de un marco de entrenamiento probabilístico que modela las transiciones de etiquetas informadas por la incertidumbre para manejar múltiples formas de ruido de etiqueta (ruido simétrico, sobresegmentación, subsegmentación) sin requerir etiquetas limpias de verdad fundamental durante el entrenamiento.
Eficiencia Agnóstica al Modelo: Un algoritmo de entrenamiento que se integra en redes profundas existentes sin añadir parámetros ni requerir un entrenamiento de múltiples etapas computacionalmente intensivo (a diferencia de las Capas de Adaptación de Ruido). Aprovecha el procesamiento por lotes paralelo de las muestras de MC para la eficiencia.
Benchmarking Estandarizado: Desarrollo de un conjunto de datos de EEG simulado utilizando el marco SEREEGA para generar escenarios controlados de etiquetas ruidosas (ruido simétrico, sobresegmentación del 10%/30%, subsegmentación del 10%/30%) para una evaluación rigurosa.
Evaluación Exhaustiva: Validación a través de tres arquitecturas de redes profundas (DeepSOZ, TGCN, CNN) y cuatro conjuntos de datos: un conjunto de datos simulado, el conjunto de datos del Temple University Hospital (TUH), el conjunto de datos CHB-MIT y el conjunto de datos de Siena para pruebas de fuera de la distribución.
Impacto en el Flujo de Trabajo: Demostración de que mejorar la detección de crisis mediante BUNDL también mejora la precisión de la localización de la Zona de Inicio de la Crisis (SOZ), una tarea clínica crítica.

Resultados

Datos Simulados: BUNDL superó consistentemente a los métodos de referencia (Entropía Cruzada Estándar, Aprendizaje Auto-Adaptativo y Capa de Adaptación Ruidosa) en todos los tipos de ruido. Logró el mejor rendimiento en términos de AUROC y AUPRC, con una reducción significativa de las Tasas de Falsos Positivos (FPR) en escenarios de sobresegmentación y manteniendo la sensibilidad en escenarios de subsegmentación.
Datos del Mundo Real (TUH y CHB-MIT):
- En el conjunto de datos TUH, BUNDL logró el FPR más bajo (2.3 min/hora con DeepSOZ) en comparación con los métodos de referencia.
- En el conjunto de datos CHB-MIT, BUNDL logró el FPR más bajo (0.8 min/hora con CNN) y mejoró significativamente la latencia en comparación con los métodos de referencia.
- Aunque las mejoras en AUROC fueron marginales en algunas configuraciones, la reducción de los falsos positivos y la latencia fue estadísticamente significativa.
Generalizabilidad: Al ser probado en el conjunto de datos no visto de Siena (generalización entre sitios), BUNDL mantuvo el FPR más bajo entre todos los métodos, aunque la sensibilidad disminuyó, probablemente debido al cambio de dominio y la posible sobresegmentación en el conjunto de datos objetivo.
Estudios de Ablación: Los experimentos confirmaron que la estimación de la incertidumbre basada en MCD era superior a los métodos de ensamble, la aumentación en tiempo de prueba (TTA) y los valores de pérdida fijos para detectar el ruido de etiqueta dependiente de la entrada.
Costo Computacional: BUNDL añade una sobrecarga computacional durante el entrenamiento debido a las múltiples pasadas hacia adelante, pero no requiere parámetros adicionales ni memoria para almacenar predicciones pasadas (a diferencia de Self-Adapt). Durante la inferencia, opera con la misma eficiencia que los modelos estándar.

Significancia y Reivindicaciones
El artículo postula que BUNDL ofrece un método directo, eficiente en recursos y confiable para entrenar redes neuronales profundas con etiquetas clínicas ruidosas. Su principal significancia radica en su capacidad para:

Integrarse sin problemas con los modelos profundos existentes utilizados en la práctica clínica sin modificaciones arquitectónicas.
Aprovechar el conocimiento del dominio (a través del marco bayesiano) para distinguir entre las características reales de la crisis y los errores de anotación.
Mejorar la confiabilidad clínica al reducir los falsos positivos y la latencia, que son críticos para los sistemas de monitoreo de crisis automatizados.
Mejorar tareas descendentes, específicamente la localización de la SOZ, al proporcionar señales de detección más limpias.

Los autores concluyen que BUNDL presenta una solución robusta para el problema persistente del ruido de etiqueta en las imágenes médicas y el EEG, permitiendo el entrenamiento de modelos confiables para la evaluación de la epilepsia sin la pesada sobrecarga computacional o de parámetros de los métodos competidores. Reconocen las limitaciones con respecto a la necesidad de pre-entrenamiento y la caída de la sensibilidad durante la generalización entre sitios, sugiriendo trabajos futuros en la adaptación en tiempo de prueba y el aprendizaje auto-supervisado.