Ana sayfa/Sağlık

Yeni derin öğrenme modeli, eşzamanlı ritim bozukluklarını EKG’den ayırdı

CNN, çift yönlü GRU ve Transformer katmanlarını birleştiren ResCGT-Net, bir kayıtta birden fazla aritmi etiketini birlikte tanımak üzere geliştirildi.

Yeni derin öğrenme modeli, eşzamanlı ritim bozukluklarını EKG’den ayırdı için özgün kapak görseli
KISA ÖZET

Bilmen gereken 3 şey

  • ResCGT-Net dalga biçimi, zaman ilişkileri ve uzun menzilli bağlamı üç farklı sinir ağı bileşeniyle birleştiriyor.
  • CPSC 2018 çok etiketli EKG veri kümesinde ortalama F1 skoru 0,8226 olarak bildirildi.
  • Tek derivasyon analizinde I, II ve aVR birçok aritmi türünde tutarlı biçimde bilgi taşıdı; kadın ve erkek gruplarında performans farkı görüldü.
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?

13 Eylül tarihli hakemli araştırmada model, aynı EKG kaydında birden fazla ritim bozukluğunun bulunabildiği çok etiketli sınıflandırma problemine uygulandı. Çok başlı dikkat katmanı, karar için öne çıkan EKG bölümlerini görünür kılmayı amaçlıyor.

Cinsiyete göre ayrılmış analizde kadınlarda ortalama F1 0,8209, erkeklerde 0,7265 bulundu. Bu fark klinik sonuç değil, veri kümesi üzerindeki model performansıdır; harici hastane verisi ve ileriye dönük çalışma olmadan genellenemez.

Neden önemli?

Gerçek hastalarda ritim bozuklukları tek tek ortaya çıkmayabilir. Birden fazla aritmiyi aynı anda işleyebilen ve hangi EKG bölümüne baktığını gösterebilen modeller, karar desteğini daha gerçekçi hâle getirebilir.

KONU ZAMAN ÇİZELGESİ

Sağlık gündemi nasıl ilerledi?

RESMÎ KAYNAKScientific Reports

Haberin dayandığı özgün duyuruyu inceleyebilirsin.

Kaynağı aç
TOPLULUK

Yorumlar 0

Forum'a git
İlk yorumu sen yaz.

Bu haber hakkında topluluk sohbetini başlatabilirsin.

OKUMAYA DEVAM ET

Haber akışı devam ediyor

Aşağı kaydırdıkça sıradaki yapay zekâ haberleri otomatik olarak açılır.

SIRADAKİ HABER01

EKG temel modelinde küçük ayarlamalar, yeni hastalara genellemeyi güçlendirdi

Araştırmacılar, büyük bir EKG yapay zekâsının tüm ağırlıklarını yeniden eğitmek yerine sınırlı parametrelerini ayarlamanın küçük veri kümelerinde daha sağlam sonuçlar verebildiğini gösterdi.

EKG temel modelinde küçük ayarlamalar, yeni hastalara genellemeyi güçlendirdi kapak görseli

Ne oldu?

Scientific Reports’ta 13 Eylül’de yayımlanan çalışma, büyük EKG modellerinin küçük klinik veri kümelerine uyarlanırken bütün parametrelerinin yeniden eğitilmesinin aşırı öğrenmeye yol açabileceği sorununa odaklandı. Araştırmacılar farklı miktarda parametreyi güncelleyen dört yaklaşımı ortak görevlerde karşılaştırdı.

Sonuçlar tek bir yöntemin her koşulda üstün olmadığını, ancak sınırlı parametre ayarının kaynak tüketimi ile genelleme arasında güçlü bir denge kurabildiğini gösteriyor. Bulgular araştırma veri kümelerine dayanıyor; gerçek klinik kullanım için çok merkezli ve ileriye dönük doğrulama gerekiyor.

Neden önemli?

Hastaneler büyük modelleri kendi sınırlı verileriyle güvenli biçimde uyarlamak zorunda. Daha az parametreyi eğitmek hem maliyeti düşürebilir hem de modelin yalnızca yerel örneklere ezber yapma riskini azaltabilir.

Sıradaki haber hazırlanıyor…

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