नवीन हायब्रिड एआय फ्रेमवर्क 93% AUC मध्ये आक्षेपणाची भविष्यवाणी करतो
कन्व्होल्यूशनल आणि स्पाइकिंग न्यूरल नेटवर्क एकत्र करून नवीन फ्रेमवर्क EEG डेटाचा वापर करून आक्षेपणाची भविष्यवाणी करण्यात महत्त्वपूर्ण सुधारणा दर्शवितो.
CMS-NAS फ्रेमवर्कने रोगी-विशिष्ट चाचणीमध्ये 0.930 AUC साधला.
मॉडेलने 88.5% संवेदनशीलता आणि 0.108 कमी खोटी सकारात्मक दर दर्शविला.
भविष्याच्या विकासात बहु-आधार आक्षेपणाची भविष्यवाणी करण्याच्या क्षमतांचा अभ्यास केला जाईल.
CMS-NAS नावाचा एक नवीन हायब्रिड एआय फ्रेमवर्क EEG संकेतांचा वापर करून आक्षेपणाची भविष्यवाणी करण्याची अचूकता वाढवण्यासाठी विकसित केला गेला आहे. हा अभिनव फ्रेमवर्क कन्व्होल्यूशनल न्यूरल नेटवर्क (CNN), मंबा नेटवर्क आणि स्पाइकिंग न्यूरल नेटवर्क (SNN) यांचे एकत्रीकरण करतो आणि CHB-MIT आणि AES यासारख्या विविध डेटासेटवर चाचणी केला गेला, ज्यामुळे प्रभावी परिणाम दिसून आले. हे संशोधन मिर्गीने प्रभावित असलेल्या सुमारे 50 दशलक्ष लोकांच्या जीवनाच्या गुणवत्तेत सुधारणा करण्याची क्षमता दर्शवते.
EEG मिर्गीच्या निदान आणि देखरेखीसाठी एक महत्त्वाचे साधन आहे, परंतु त्याचे संकेत सामान्यतः आवाज आणि बदलणारे असतात, ज्यामुळे मॅन्युअल व्याख्या करणे कठीण होते. पारंपरिक गहन शिक्षण पद्धती आर्किटेक्चर डिझाइनसह संघर्ष करतात, जे वेळ घेणारे आणि संसाधन-गहन असू शकते. CMS-NAS फ्रेमवर्क या आव्हानांचा सामना करतो, जो आक्षेपणाच्या भविष्यवाणीसाठी अनुकूलित केलेले एक अद्वितीय शोध स्थान वापरतो, ज्यामुळे प्रभावी नेटवर्क आर्किटेक्चरचे स्वयंचलित उत्पादन शक्य होते.
चाचणीमध्ये, CMS-NAS ने CHB-MIT डेटासेटवर रोगी-विशिष्ट मूल्यांकनात 0.930 AUC, 88.5% संवेदनशीलता आणि 0.108 खोटी सकारात्मक दर साधला. मॉडेलच्या कार्यक्षमतेची पुष्टी यादृच्छिक भविष्यवाणीच्या आधार रेषेविरुद्ध केली गेली, ज्यामध्ये 18 पैकी 17 विषयांसाठी सांख्यिकीय महत्त्वाची पुष्टी झाली. रोगी-स्वतंत्र चाचणीमध्ये, याने 0.672 AUC आणि 60.7% संवेदनशीलता राखली, जी मुख्य मेट्रिक्समध्ये इतर पद्धतींपेक्षा चांगली होती.
AES डेटासेटवर, फ्रेमवर्कने रोगी-विशिष्ट चाचणीमध्ये 0.878 AUC आणि 87.3% संवेदनशीलता नोंदवली. खाजगी नैदानिक डेटासेटनेही मजबूत परिणाम दिला, ज्यामध्ये 0.923 AUC आणि 84.4% संवेदनशीलता होती. संशोधकांनी असेही नमूद केले की आर्किटेक्चर शोध प्रक्रिया प्रभावी होती, ज्यामध्ये फक्त 11 तास लागले आणि अंतिम मॉडेल हलके होते, ज्यामध्ये कमी विलंबता होती.
अध्ययनाचा निष्कर्ष असा आहे की CMS-NAS पारंपरिक आक्षेपणाच्या भविष्यवाणी मॉडेलशी संबंधित गणनात्मक बोझ कमी करण्यात प्रभावी आहे, तर उच्च अचूकता राखतो. भविष्याच्या संशोधनात या फ्रेमवर्कला बहु-आधार डेटाचे अनुकूलन करण्यासाठी आणि व्यापक कार्यांसाठी अनुकूलित करण्यावर लक्ष केंद्रित केले जाईल, ज्यामुळे नैदानिक सेटिंग्जमध्ये त्याची उपयुक्तता वाढू शकते.
