नया हाइब्रिड एआई ढांचा 93% AUC में दौरे की भविष्यवाणी करता है
कन्वोल्यूशनल और स्पाइकिंग न्यूरल नेटवर्क को मिलाकर एक नया ढांचा EEG डेटा का उपयोग करके दौरे की भविष्यवाणी में महत्वपूर्ण सुधार दर्शाता है।
CMS-NAS ढांचे ने रोगी-विशिष्ट परीक्षण में 0.930 का AUC हासिल किया।
मॉडल ने 88.5% की उच्च संवेदनशीलता और 0.108 का कम झूठा सकारात्मक दर दिखाया।
भविष्य के विकास में बहु-आधार दौरे की भविष्यवाणी की क्षमताओं का अन्वेषण किया जाएगा।
CMS-NAS नामक एक नवीनतम हाइब्रिड एआई ढांचे को EEG संकेतों का उपयोग करके दौरे की भविष्यवाणी की सटीकता बढ़ाने के लिए विकसित किया गया है। यह अभिनव ढांचा कन्वोल्यूशनल न्यूरल नेटवर्क (CNN), मंबा नेटवर्क और स्पाइकिंग न्यूरल नेटवर्क (SNN) को एकीकृत करता है और विभिन्न डेटासेट पर परीक्षण किया गया, जिसमें CHB-MIT और AES शामिल हैं, जो प्रभावशाली परिणाम दिखाते हैं। यह अनुसंधान उन लगभग 50 मिलियन लोगों के जीवन की गुणवत्ता में सुधार करने की क्षमता को उजागर करता है जो मिर्गी से प्रभावित हैं।
EEG मिर्गी के निदान और निगरानी के लिए एक महत्वपूर्ण उपकरण है, लेकिन इसके संकेत अक्सर शोर और परिवर्तनशील होते हैं, जिससे मैनुअल व्याख्या जटिल हो जाती है। पारंपरिक गहरे शिक्षण दृष्टिकोणों ने आर्किटेक्चर डिजाइन के साथ संघर्ष किया है, जो समय-खपत करने वाला और संसाधन-गहन हो सकता है। CMS-NAS ढांचा इन चुनौतियों का समाधान करता है, जो दौरे की भविष्यवाणी के लिए अनुकूलित एक अद्वितीय खोज स्थान का उपयोग करता है, जिससे प्रभावी नेटवर्क आर्किटेक्चर का स्वचालित निर्माण संभव हो जाता है।
परीक्षण में, CMS-NAS ने CHB-MIT डेटासेट पर रोगी-विशिष्ट मूल्यांकन में 0.930 का उल्लेखनीय AUC, 88.5% की संवेदनशीलता और 0.108 का झूठा सकारात्मक दर प्राप्त किया। मॉडल के प्रदर्शन को यादृच्छिक भविष्यवाणी के आधार रेखा के खिलाफ मान्य किया गया, जिसमें 18 में से 17 विषयों के लिए सांख्यिकीय महत्व की पुष्टि की गई। रोगी-स्वतंत्र परीक्षण में, इसने 0.672 का ठोस AUC और 60.7% की संवेदनशीलता बनाए रखी, जो प्रमुख मैट्रिक्स में अन्य विधियों से बेहतर थी।
AES डेटासेट पर, ढांचे ने रोगी-विशिष्ट परीक्षण में 0.878 का AUC और 87.3% की संवेदनशीलता दर्ज की। निजी नैदानिक डेटासेट ने भी मजबूत परिणाम दिए, जिसमें 0.923 का AUC और 84.4% की संवेदनशीलता थी। शोधकर्ताओं ने यह भी बताया कि आर्किटेक्चर खोज प्रक्रिया कुशल थी, जिसमें केवल 11 घंटे लगे और अंतिम मॉडल हल्का था, जिसमें न्यूनतम विलंबता थी।
अध्ययन का निष्कर्ष है कि CMS-NAS पारंपरिक दौरे की भविष्यवाणी मॉडल से जुड़े गणनात्मक बोझ को प्रभावी ढंग से कम करता है जबकि उच्च सटीकता बनाए रखता है। भविष्य के अनुसंधान में ढांचे को बहु-आधार डेटा को समायोजित करने और इसे व्यापक कार्यों के लिए अनुकूलित करने पर ध्यान केंद्रित किया जाएगा, जिससे इसकी नैदानिक सेटिंग्स में उपयोगिता बढ़ सकती है।
