طراحی وب سایت حرفه ای

شبکه عصبی انواع متعددی از اطلاعات سلامت را به منظور کمک به پزشکان با تصمیمات ناقص درک‌‌ می‌کند.

محققان MIT یک مدل را ایجاد کرده‌اند که‌‌ می‌تواند چندین نوع از داده های سلامت بیمار را جذب کند تا پزشکان با اطلاعات ناقص تصمیم گیری کنند.

زمینه تجزیه و تحلیل پیش بینی برای بسیاری از برنامه های مراقبت سلامتی وعده داده است. مدل های یادگیری ماشین را‌‌ می‌توان برای جستجوی الگوهای داده های بیمار برای پیش بینی خطر ابتلا به بیماری یا مرگ در بیمارستان ICU آموزش داد تا برای مراقبت از سپسیس و یا برای طراحی رژیم های شیمی درمانی بهتر.

این فرآیند شامل پیش بینی متغیرهای مورد علاقه، مانند خطر بیماری، از متغیرهای شناخته شده مانند نشانه ها، داده های بیومتریک، آزمایشات آزمایشگاهی و اسکن بدن. با این حال، این اطلاعات بیمار‌‌ می‌تواند از چندین منبع مختلف باشد و اغلب ناقص است. به عنوان مثال، ممکن است اطلاعات جزئی از نظرسنجی های بهداشتی در مورد رفاه جسمی و روانی همراه با داده های بسیار پیچیده‌ای شامل اندازه گیری عملکرد قلب یا مغز باشد.

با استفاده از یادگیری ماشین برای تجزیه و تحلیل تمام داده های موجود، پزشکان‌‌ می‌توانند به تشخیص و درمان بیماران کمک کنند. اما اکثر مدل ها‌‌ نمی‌توانند داده های بسیار پیچیده‌ای را مدیریت کنند. دیگران برای رسیدن به دامنه کامل روابط بین متغیرهای مختلف سلامت، مانند اینکه چگونه الگوهای تنفس به پیش بینی ساعات خواب و یا میزان درد کمک‌‌ می‌کنند.

در مقاله‌ای که در کنفرانس AAAI کنفرانس هوش مصنوعی در هفته آینده ارائه شده است، محققان MIT یک شبکه عصبی را در نظر‌‌ می‌گیرند که به عنوان ورودی هر دو اطلاعات ساده و بسیار پیچیده. با استفاده از متغیرهای شناخته شده، شبکه‌‌ می‌تواند تمام متغیرهای از دست رفته را پر کند. با توجه به داده ها،‌‌ می‌توان گفت که یک سیگنال الکتروکاردیوگرافی (ECG) بیمار که عملکرد قلب را اندازه گیری‌‌ می‌کند و میزان خستگی خود گزارش شده،‌‌ می‌تواند سطح درد بیماران را پیش بینی کند که ممکن است بیمار آن را به یاد نیاورده یا گزارش ندهد.

بر اساس یک مجموعه داده کاوی واقعی که شامل نظرسنجی های بهداشتی و ECG و دیگر سیگنال های پیچیده بود، شبکه با 70 تا 80 درصد دقت در پیش بینی هر یک از هشت متغیر از دست رفته بر اساس هفت متغیر شناخته شده دیگر.

شبکه با دوختن زیرمجموعه های مختلف کار‌‌ می‌کند، هر کدام برای توصیف یک رابطه خاص بین متغیرها کار‌‌ می‌کنند. Submodels داده‌ها را به عنوان پیش بینی‌ها به اشتراک‌‌ می‌گذارند، و در نهایت یک متغیر پیش بینی شده را تولید‌‌ می‌کنند.‌‌ می‌گوید: ما یک شبکه‌ای از مدل هایی داریم که با یکدیگر ارتباط برقرار‌‌ می‌کنند تا پیش بینی کنند ما چه چیزی‌‌ نمی‌دانیم، با استفاده از اطلاعاتی که‌‌ می‌دانیم از این نوع داده‌ها متفاوت است،‌‌ می‌گویند: نویسنده هوی وانگ، نویسنده پست در MIT Computer Science and Laboratory of Intelligence (CSAIL. اگر هشت نوع مختلف داده را بگویید و اطلاعاتی در مورد بیمار از هفت اطلاعات دارم، ارتباط بین مدل‌ها به ما کمک می‌کند تا شکافهای گم شده در نوع هشتم داده‌ها را از هفت نوع دیگر.

پیوستن به وانگ در مقاله Chengzhi Mao، دانشجوی کارشناسی ارشد دانشگاه Tsinghua؛. Jaakkola، توماس Siebel استاد در بخش مهندسی برق و علوم کامپیوتر و موسسه داده ها، سیستم‌ها و جامعه.

پیش بینی های دو طرفه.

با استفاده از مدل های یادگیری ماشین های سنتی برای تجزیه و تحلیل تعداد متغیرهایی که شبکه محققان‌‌ می‌تواند انجام دهد، عملا غیر قابل اجرا است، زیرا تعدادی از مدل‌ها با تعداد متغیرها به صورت معنی دار.

ما پرسیدیم، آیا امکان طراحی یک مدل واحد وجود دارد که‌‌ می‌تواند از تمام این گروه‌ها از داده‌ها استفاده کند، با وجود این واقعیت که در هر گروه ما اطلاعات مختلفی داریم؟

نوآوری کلیدی این بود که شبکه را به زیر مدلهای فردی که هر کدام متناسب با یک نوع داده ورودی متناسب بودند، شکستند. یک شبکه عصبی یک شبکه متصل از گره است که برای پردازش داده های پیچیده کار‌‌ می‌کنند. یک گره قبل از ارسال خروجی به گره بعدی، محاسبات نسبتا ساده انجام‌‌ می‌دهد. با این حال، در شبکه هایی با مدل های زیر، هر گره‌‌ می‌تواند به عنوان یک شبکه جداگانه عمل کند که‌‌ می‌تواند محاسبات پیچیده تر را انجام دهد. طبق برنامه کاربردی، مدل های زیر‌‌ می‌توانند بسیار کارآمد باشند.

در کارشان، محققان یک مدل فرعی برای هر خروجی متغیر ایجاد کردند. آنها همچنین یک تکنیک را برای اجازه دادن به زیر مدل‌ها در برقراری ارتباط با یکدیگر در حال ایجاد پیش بینی، به نام شبکه های استنتاج دو طرفه (BIN). این تکنیک یک تکنیک آموزش شبکه عصبی را که به عنوان بازپسگیری شناخته‌‌ می‌شود، استفاده‌‌ می‌کند. در آموزش، back propagation خطاهای محاسباتی را از طریق گره‌ها برای به روز رسانی مقادیر پارامترها ارسال‌‌ می‌کند. اما این تکنیک هرگز در آزمایش‌ها مورد استفاده قرار‌‌ نمی‌گیرد، به ویژه هنگامی که وابستگی های مشروط پیچیده وجود دارد. در عوض، در آزمایش سنتی، داده های ورودی از گره به گره در یک جهت پردازش‌‌ می‌شوند، تا زمانی که یک گره نهایی در انتهای دنباله خروجی پیش بینی کند.

محققان شبکه خود را برنامه ریزی کردند تا از روش سنتی و بازپس گرفتن پشت در آزمایش استفاده کنند. در این زمینه، back propagation اساسا یک خروجی متغیر را‌‌ می‌گیرد، سپس پیش بینی ورودی از آن خروجی، و ارسال مقدار ورودی به عقب به یک گره قبلی. این یک شبکه را ایجاد‌‌ می‌کند که در آن تمام مدل های زیر کار‌‌ می‌کنند و با یکدیگر همکاری‌‌ می‌کنند تا یک احتمال هدف تولید کنند.

پر کردن سطوح.

محققان شبکه خود را در دنیای واقعی مطالعه سلامت سلامت قلب 2 (SHHS2) آموزش داده اند. داده‌ها شامل خواندن الکتروانسفالوگرافی (EEG)، که عملکرد مغز را اندازه گیری‌‌ می‌کند؛. همچنین شامل اطلاعاتی از یک بررسی بهداشتی برای اندازه گیری هشت متغیر بهداشتی شامل رفاه عاطفی، عملکرد اجتماعی و انرژی / خستگی در مقیاس 0 تا 100.

در آموزش، شبکه الگوهای الگوهای چگونگی تغییر هر یک از متغیرها را به دیگری‌‌ می‌آموزد. به عنوان مثال، اگر فردی نفس خود را برای مدت طولانی نگه‌‌ می‌دارد، ممکن است تنش داشته باشد، که‌‌ می‌تواند درد فیزیکی را نشان دهد. در آزمایش، شبکه قادر به تجزیه و تحلیل روابط برای پیش بینی هر یک از هشت متغیر، بر اساس هر یک از اطلاعات دیگر، با دقت 70 تا 80 درصد.

این شبکه‌‌ می‌تواند به متغیرهای گوناگون سلامت مبهم برای بیماران و پزشکان، مانند میزان درد و خستگی کمک کند. به عنوان مثال، هنگامی که بیمار پس از جراحی بخوابد، ممکن است در اواسط شب از درد بیدار بماند، اما ممکن است در روز بعد یک درد مناسب را به یاد نیاورم.

محققان امیدوارند که شبکه را به عنوان یک جزء نرم افزاری برای دستگاهی که ساخته شده است به اجرا درآورد، به نام EQ Radio که‌‌ می‌تواند تنفس و ضربان قلب را تنها با استفاده از سیگنال های بی سیم. در حال حاضر دستگاه اطلاعاتی را برای نتیجه گیری، اگر کسی خوشحال، عصبانی، یا ناراحت باشد، تحلیل‌‌ می‌کند. با استفاده از شبکه، دستگاه‌‌ می‌تواند به طور بالقوه پیش بینی های به روز شده در مورد سلامت بیماران را به طور غیرمستقیم به صورت منفعل انجام دهد، با توجه به اطلاعات جزئی تنها. این امر‌‌ می‌تواند در تأسیسات کمک درمانی مفید باشد، جایی که پزشکان‌‌ می‌توانند هر روز، هر روز، هر دو جنبه های احساسی و فیزیکی سلامت بیمار را کنترل کنند، وانگ‌‌ می‌گوید.

لطفاً در مورد مطلب فوق ستاره بدهید :