Rețea neurală

(categorie: inteligență artificială)

Rețeaua neurală este un model format din straturi de unități de calcul simple, numite prin analogie neuroni, care transformă succesiv datele de intrare până la producerea unui rezultat. Fiecare conexiune are o greutate, iar învățarea constă în ajustarea acestor greutăți.

Este tehnologia din spatele recunoașterii imaginilor și a asistenților conversaționali, iar pentru majoritatea publicului „inteligență artificială” înseamnă exact acest tip de model. Pe date tabelare însă, nu este cea mai bună alegere.

Cum funcționează

Datele intră prin stratul de intrare, câte o unitate pentru fiecare variabilă. Fiecare unitate din stratul următor primește toate valorile precedente, le înmulțește cu greutățile proprii, le adună și aplică o funcție neliniară care decide cât transmite mai departe.

Straturile dintre intrare și ieșire se numesc straturi ascunse. Numărul lor și numărul de unități din fiecare determină capacitatea rețelei de a reprezenta relații complexe. Ultimul strat produce rezultatul — în predicția clinică, o probabilitate.

Învățarea se face prin propagare inversă a erorii. Se compară predicția cu rezultatul real, se calculează cât a contribuit fiecare greutate la eroare și se ajustează toate greutățile în direcția care reduce eroarea. Procesul se repetă de multe ori.

Puterea acestei arhitecturi apare când datele au o structură internă bogată — pixelii unei imagini, cuvintele unui text — și când există volume foarte mari de exemple. Pe câteva zeci de valori numerice pentru câteva mii de pacienți, această putere nu se poate exprima.

Unde funcționează și unde nu

Imagini medicale

Rețelele convoluționale analizează tomografii și radiografii cu rezultate foarte bune. Un studiu citat în 2026 a raportat o arie sub curbă de 0,920 pentru analiza imaginilor de tomografie în pancreatita acută.

Date secvențiale

Arhitecturi construite pentru serii temporale pot folosi valorile repetate la câteva ore în terapie intensivă, un avantaj real față de arborii de decizie.

Date tabelare mici

Aici nu aduce, de obicei, avantaj. În studiul din 2026, perceptronul multistrat a obținut 0,772, sub toți cei trei algoritmi bazați pe arbori.

Interpretabilitate redusă

Traseul prin straturi nu poate fi urmărit intuitiv, ceea ce complică verificarea de către medic.

Relevanță clinică

Rezultatul studiului din 2026 nu este o surpriză pentru specialiști, dar contrazice așteptarea publicului. Rețeaua neurală a fost depășită de XGBoost, LightGBM și random forest, toate trei din familia algoritmilor bazați pe arbori de decizie.

Autorii subliniază explicit limita concluziei: rezultatul lor nu se extinde la rețelele neurale construite pentru imagini sau pentru date care evoluează în timp. Comparația este valabilă pentru date statice, tabelare, pe câteva mii de pacienți.

Pentru direcțiile viitoare, autorii identifică exact acest punct. Modelul din 2026 folosește valorile din primele 24 de ore, una singură pentru fiecare analiză — o fotografie, nu un film. Modelele dinamice, care primesc valorile repetate și își actualizează estimarea, ar putea surprinde traiectoriile, iar acolo rețelele neurale pentru date secvențiale ar putea avea un avantaj real.

Consecința practică pentru sistemele de sănătate este că predicția din analize de laborator nu necesită infrastructură de calcul costisitoare. Algoritmii care funcționează cel mai bine aici rulează pe un calculator obișnuit.

Pentru un cititor, distincția utilă este între tipuri de date, nu între tipuri de algoritmi „mai avansați” și „mai simpli”. Fiecare arhitectură are domeniul în care este superioară.

Ce trebuie verificat

Tipul de date determină dacă arhitectura este potrivită: imagini și secvențe da, tabele mici de obicei nu.

Numărul de straturi și de unități trebuie raportat, împreună cu metoda de prevenire a supraajustării.

Volumul datelor de antrenament este critic; rețelele mari necesită multe exemple.

Interpretabilitatea necesită metode dedicate, precum SHAP.

Comparația cu algoritmi mai simpli este obligatorie, nu opțională.

Factori care influențează performanța unei rețele neurale

Tipul și structura datelor de intrare.

Volumul setului de antrenament.

Numărul de straturi și de unități.

Metodele de regularizare folosite.

Funcțiile de activare alese.

Durata și parametrii antrenării.

Preprocesarea și normalizarea datelor.

Rețea neurală în context Healthwise

Rețeaua neurală este tehnologia care a dat inteligenței artificiale notorietatea actuală și, în același timp, cea care a fost depășită în acest studiu de algoritmi mai vechi și mai simpli. Alegerea arhitecturii se face după natura datelor, nu după prestigiul metodei.

Pe Healthwise, apare printre familiile de algoritmi comparate în studiile de predicție clinică și ca reper pentru direcțiile viitoare, cu date care evoluează în timp.

Concluzie

Rețeaua neurală este un model format din straturi de unități de calcul care transformă succesiv datele, iar învățarea constă în ajustarea greutăților conexiunilor prin propagare inversă a erorii.

Ce trebuie reținut: excelează pe imagini și pe date secvențiale, dar pe date tabelare mici nu aduce avantaj — în studiul din 2026 a fost depășită de toți cei trei algoritmi bazați pe arbori de decizie.