Ana sayfa/Sağlık

Fizik güdümlü derin öğrenme, fMRI'yi 20 kat hızlandırdı

Kendi kendine denetimli fizik güdümlü model, tam örneklenmiş eğitim verisine ihtiyaç duymadan 20 kat hızlandırılmış fMRI çekimlerinden güvenilir işlevsel beyin haritaları üretti.

Fizik güdümlü derin öğrenme, fMRI'yi 20 kat hızlandırdı için özgün kapak görseli
KISA ÖZET

Bilmen gereken 3 şey

  • Yöntem, yüksek çözünürlüklü fMRI için elde edilmesi zor tam örneklenmiş referans görüntüler olmadan eğitildi.
  • Araştırmacılar hem geriye dönük hem ileriye dönük 20 kat hızlandırmayı değerlendirdi.
  • Model geleneksel yeniden yapılandırmaya göre gürültü ve örtüşme artefaktlarını azaltarak daha yüksek uzamsal-zamansal çözünürlükte işlevsel haritalamayı mümkün kıldı.
YAPAY ZEKÂ ETKİ KARTI

Bu gelişme nereyi etkiliyor?

ETKİ
ANALİZİ
Toplum92/100
Bilim90/100
Günlük yaşam78/100
Ekonomi66/100

Bu puanlar haberin kapsamı, etkilenen kişi ve sektörler ile kısa–orta vadeli sonuçları dikkate alınarak editoryal olarak hazırlanır.

Ne oldu?

fMRI tüm beyni yeterli hız ve çözünürlükte taramak için eksik örnekleme kullanıyor; yüksek hızlandırma kalan örtüşme ve gürültüyü büyütüyor. Yeni yaklaşım MR fiziğini sinir ağına dahil edip görüntünün kendi verisinden öğreniyor.

Sonuçlar yöntem geliştirme düzeyinde. Farklı tarayıcılar, alan güçleri, görevler ve hasta gruplarında tekrarlanabilirlik gösterilmeden klinik tanı ya da tedavi planlamasına genellenemez.

Neden önemli?

Daha hızlı ve ayrıntılı fMRI, beynin kısa süreli işlevsel değişimlerini daha iyi yakalayabilir. Tam referans veri gerektirmeyen yaklaşım, gelişmiş yeniden yapılandırmayı gerçek araştırma protokollerine taşımayı kolaylaştırıyor.

KONU ZAMAN ÇİZELGESİ

Sağlık gündemi nasıl ilerledi?

RESMÎ KAYNAKCommunications Engineering

Haberin dayandığı özgün duyuruyu inceleyebilirsin.

Kaynağı aç
OKUMAYA DEVAM ET

Haber akışı devam ediyor

Aşağı kaydırdıkça sıradaki yapay zekâ haberleri otomatik olarak açılır.

SIRADAKİ HABER01

Pekiştirmeli öğrenme, depresyonda rTMS protokolü seçti

19 klinik grubundaki 1.609 yetişkinin rutin verileriyle eğitilen model, tedaviye dirençli depresyonda seans bazında uyarım türü, yoğunluğu ve tarafı için öneriler üretti.

Pekiştirmeli öğrenme, depresyonda rTMS protokolü seçti kapak görseli

Ne oldu?

rTMS ve aralıklı teta patlamalı uyarım yerleşik tedaviler olsa da klinisyenlerin her seansta tür, yoğunluk ve taraf seçimini yönlendiren güçlü kanıt sınırlı. Model, rutin uygulamadaki karar ve sonuç dizilerini seans seviyesinde öğrendi.

Karşılaştırma randomize değildi; klinisyenlerin modelle aynı seçimi yaptığı seanslar başka açılardan da farklı olabilir. İleriye dönük bir deneme yapılmadan algoritma tedavi reçetesi olarak kullanılamaz.

Neden önemli?

Ruh sağlığında yapay zekânın yalnızca risk tahmini değil, tedavinin zaman içindeki uyarlanması için de kullanılabileceğini gösteriyor; aynı zamanda randomize doğrulama gereksinimini açıkça ortaya koyuyor.

Sıradaki haber hazırlanıyor…

YAPAY ZEKÂ ▲38%APPLE ▲21%ROBOTİK ▲17%ÇİP ▲12%OYUN ▼8%SİBER GÜVENLİK ▲24%