📄 cardiovascular medicine

DIA-PINN. A physics-informed machine learning method to estimate global intrinsic diastolic chamber properties of the left ventricle from pressure-volume data

यह शोध पत्र DIA-PINN प्रस्तुत करता है, जो एक भौतिकी-सूचित न्यूरल नेटवर्क ढांचा है जो तात्कालिक दबाव-आयतन डेटा से बाएं वेंट्रिकल के वैश्विक आंतरिक डायस्टोलिक गुणों का सटीक और सुदृढ़ अनुमान लगाता है, और पारंपरिक अनुकूलन विधियों की तुलना में कठोरता, विश्रांति और लोचदार पुनर्गठन के विश्वसनीय, प्रारंभिक-संवेदनहीन अनुमान प्रदान करके बेहतर प्रदर्शन करता है।

मूल लेखक: Fernandez Topham, J., Guerrero Hurtado, M., del Alamo, J. C., Bermejo, J., Martinez Legazpi, P.

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fernandez Topham, J., Guerrero Hurtado, M., del Alamo, J. C., Bermejo, J., Martinez Legazpi, P.

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ⚕️ यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपका हृदय एक उच्च-प्रदर्शन वाले पंप की तरह है, विशेष रूप से बायां निलय (Left Ventricle - LV)। इस पंप को पूरी तरह से काम करने के लिए, इसे अपने "विश्राम" चरण (डायस्टोल) के दौरान दो चीजें करने की आवश्यकता होती है:

शिथिल होना (Relax): इसे रक्त को अंदर आने देने के लिए जल्दी से ढीला होने की आवश्यकता है (जैसे एक गुब्बारा हवा छोड़ने के बाद ढीला हो जाता है)।
प्रत्यास्थता (Recoil): इसमें रक्त को वापस बाहर धकेलने में मदद करने के लिए थोड़ी स्प्रिंग जैसी उछाल होनी चाहिए (जैसे एक रबर बैंड वापस अपनी जगह पर खिंचता है)।

डॉक्टर यह मापने के लिए कि हृदय इन दोनों में से कितनी अच्छी तरह काम कर रहा है, लंबे समय से एक "गोल्ड स्टैंडर्ड" परीक्षण का उपयोग करते हैं जिसे प्रेशर-वॉल्यूम (PV) लूप कहा जाता है। एक PV लूप को ऐसे समझें जो हर सेकंड हृदय के दबाव और आकार को ट्रैक करता है।

हालाँकि, इस मानचित्र को पढ़ना हमेशा से कठिन रहा है। पारंपरिक तरीके ऐसे हैं जैसे केवल कुछ टुकड़ों को देखकर एक जटिल पहेली को हल करने की कोशिश करना। वे शोर (noise) के प्रति संवेदनशील होते हैं, उन्हें शुरू करने के लिए एक इंसान के अनुमान की आवश्यकता होती है, और वे अक्सर "लोकल मिनिमा" (पहेली के गलत मोड़ पर फंस जाना) में फंस जाते हैं।

यहाँ DIA-PINN आता है, जो इस कहानी का नया नायक है।

DIA-PINN क्या है?

DIA-PINN का अर्थ है डायस्टोलिक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (Diastolic Physics-Informed Neural Network)। यह बोलने में थोड़ा कठिन है, तो आइए इसे एक सरल उदाहरण से समझते हैं।

कल्पना कीजिए कि आप एक रोबोट को कार चलाना सिखा रहे हैं।

पारंपरिक मशीन लर्निंग: आप रोबोट को कारों के चलते हुए 1,000 वीडियो दिखाते हैं और कहते हैं, "नियमों का अनुमान लगाओ।" रोबोट अजीब पैटर्न सीख सकता है (जैसे "कारें हमेशा लाल बत्ती पर बाईं ओर मुड़ती हैं") जो वास्तव में भौतिक विज्ञान (physics) के नियम नहीं हैं।
फिजिक्स-इन्फॉर्म्ड लर्निंग (PINN): आप रोबोट को वीडियो देते हैं, लेकिन आप उसे भौतिक विज्ञान के वास्तविक नियम भी देते हैं (न्यूटन के नियम, घर्षण, गुरुत्वाकर्षण) और कहते हैं, "तुम वीडियो से सीख सकते हो, लेकिन तुम भौतिकी के नियमों को तोड़ नहीं सकते।"

DIA-PINN बिल्कुल ऐसा ही है। यह एक ऐसा AI है जो हृदय के दबाव और आयतन (volume) के डेटा को देखता है, लेकिन इसे हृदय की मांसपेशियों के शिथिल होने और खिंचने के ज्ञात जैविक नियमों का पालन करने के लिए मजबूर किया जाता है। यह केवल उत्तर का "अनुमान" नहीं लगाता; यह एक गणितीय समस्या को हल करता है जहाँ उत्तर का भौतिक रूप से सही होना अनिवार्य है।

यह कैसे काम करता है? (एक "दो-भाग वाला" हृदय)

शोधकर्ताओं ने DIA-ភាព प्रोग्राम किया कि हृदय का विश्राम के दौरान का दबाव दो अलग-अलग सामग्रियों के मिश्रण से बना है:

"सक्रिय" घटक (शिथिलता/Relaxation): यह हृदय की मांसपेशी का तनाव को सक्रिय रूप से छोड़ना है। यह एक व्यक्ति के धीरे-धीरे मुट्ठी खोलने जैसा है।
"निष्क्रिय" घटक (कठोरता और स्प्रिंग): यह हृदय की प्राकृतिक लचीलापन है। यह एक स्प्रिंग की तरह है जो खिंचने का विरोध करता है लेकिन वापस अपनी जगह पर आने के लिए उत्सुक रहता है।

DIA-PINN मरीज के हृदय के अव्यवस्थित डेटा को देखता है और इन दो घटकों को अलग करने की कोशिश करता है ताकि डॉक्टर को बता सके: "आपका हृदय इस गति से शिथिल होता है, लेकिन इसकी कठोरता इतनी है।"

यह पुराने तरीके से बेहतर क्यों है?

पुराना तरीका (जिसे ग्लोबल ऑप्टिमाइज़ेशन या GOM कहा जाता है) एक मानचित्र पर निर्देशांकों (coordinates) का अनुमान लगाकर छिपा हुआ खजाना खोजने जैसा है। यदि आप गलत जगह से अनुमान लगाना शुरू करते हैं, तो आप एक छोटी घाटी में फंस सकते हैं और सोच सकते हैं कि आपने खजाना पा लिया है, जबकि असली खजाना पास के किसी पहाड़ पर हो सकता है। यह इस बात के प्रति बहुत संवेदनशील है कि आप कहाँ से शुरू करते हैं।

DIA-PINN एक GPS की तरह है जिसे इलाके की जानकारी है।

इसे शुरुआत की चिंता नहीं है: भले ही आप इसे यादृच्छिक (random) शुरुआती अनुमान दें, यह हमेशा सही उत्तर खोज लेता है। यह आसानी से भ्रमित नहीं होता।
यह शोर (noise) को संभालता है: वास्तविक हृदय का डेटा अव्यवस्थित होता है (जैसे रेडियो पर स्टैटिक शोर)। क्योंकि DIA-PINM को "भौतिकी के नियम" पता हैं, इसलिए यह शोर को अनदेखा कर सकता है और वास्तविक संकेत को पहचान सकता है।
इसे चमकने के लिए अधिक डेटा की आवश्यकता है: अध्ययन ने दिखाया कि DIA-PINM तब सबसे अच्छा काम करता है जब हृदय का परीक्षण बदलती परिस्थितियों (जैसे रक्तचाप कम करने के लिए नसों को दबाना) के तहत किया जाता है। यह एक कार को पहाड़ी, समतल सड़क और मोड़ पर टेस्ट करने जैसा है ताकि उसके इंजन को वास्तव में समझा जा सके। जब हृदय का परीक्षण इस तरह किया जाता है, तो DIA-PINM सबसे सटीक मानचित्र प्रदान करता है।

परिणाम

शोधकर्ताओं ने DIA-PINM का दो चीजों पर परीक्षण किया:

नकली डेटा (Fake Data): उन्होंने 4,000 आदर्श, कंप्यूटर-जनरेटेड हृदय लूप बनाए। DIA-PINM ने लगभग पूरी तरह से "सच्चे" नंबरों को प्राप्त किया, जो पुराने तरीके से बेहतर था।
वास्तविक मरीज: उन्होंने 59 वास्तविक लोगों (कुछ हार्ट फेलियर के साथ, कुछ स्वस्थ) पर इसका परीक्षण किया। DIA-PINM के परिणाम पुराने तरीके के सर्वश्रेष्ठ परिणामों से मेल खाते थे, लेकिन वे बहुत अधिक सुसंगत थे और गलत शुरुआती अनुमानों से भ्रमित नहीं हुए।

मुख्य निष्कर्ष (The Bottom Line)

DIA-PINM हृदय के शिथिल होने और खिंचने की क्षमता को मापने का एक स्मार्ट और अधिक विश्वसनीय तरीका है। आधुनिक AI के लचीलेपन को भौतिकी के कठोर नियमों के साथ जोड़कर, यह डॉक्टरों को हृदय स्वास्थ्य की अधिक स्पष्ट और सटीक तस्वीर देता है।

इसे हृदय की यांत्रिकी के एक हाथ से बने स्केच से बदलकर एक 3D, भौतिकी-सटीक सिमुलेशन में अपग्रेड करने के रूप में देखें जो कभी थकता नहीं, कभी भ्रमित नहीं होता और हमेशा प्रकृति के नियमों का पालन करता है। यह भविष्य में डॉक्टरों को हार्ट फेलियर का जल्दी निदान करने और उपचार को अधिक सटीक बनाने में मदद कर सकता है।

यहाँ शोध पत्र "DIA-PINN: एक भौतिकी-सूचित मशीन लर्निंग विधि जो प्रेशर-वॉल्यूम डेटा से लेफ्ट वेंट्रिकल के वैश्विक अंतर्निहित डायस्टोलिक चैंबर गुणों का अनुमान लगाती है" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

लेफ्ट वेंट्रिकल (LV) के अंतर्निहित वैश्विक डायस्टोलिक गुणों का आकलन करना हृदय की विफलता (heart failure) और अन्य कार्डियक रोगों को समझने के लिए महत्वपूर्ण है। जबकि इनवेसिव प्रेशर-वॉल्यूम (PV) लूप विश्लेषण स्वर्ण मानक (gold standard) है, वर्तमान पद्धतियों में महत्वपूर्ण सीमाएँ हैं:

पारंपरिक फिटिंग (Traditional Fitting): पारंपरिक विधियाँ PV लूप के विशिष्ट खंडों (जैसे कि आइसोवोल्यूमिक रिलैक्सेशन या एंड-डायस्टोलिक पॉइंट्स) को अलग-अलग फिट करती हैं। यह मान लेती है कि रिलैक्सेशन और वॉल्यूम-डिपेंडेंट गुण एक-दूसरे से स्वतंत्र हैं, यह लेट डायस्टोल के दौरान सक्रिय रिलैक्सेशन को अनदेखा करती है, और शोर (noise), लैंडमार्क चयन त्रुटियों और बीट-टू-बीट परिवर्तनशीलता के प्रति अत्यधिक संवेदनशील है।
ग्लोबल ऑप्टिमाइजेशन मेथड (GOM): एक पूर्व प्रगति, GOM, फिजियोलॉजिकल रूप से सूचित समीकरणों का उपयोग करके पूर्ण डायस्टोलिक अवधियों को फिट करती है। हालाँकि, यह पैरामीटर इनिशियलाइजेशन (parameter initialization) और बाउंड्स के प्रति संवेदनशीलता से ग्रस्त है, जो अक्सर स्प्यूरियस लोकल मिनिमा (spurious local minima) की ओर ले जाता है, जिससे पुनरुत्पादकता और मजबूती (robustness) से समझौता होता है, विशेष रूप से शोर वाले क्लिनिकल डेटा में।

एक ऐसी विधि की आवश्यकता है जो बिना सावधानीपूर्वक मैनुअल इनिशियलाइजेशन पर निर्भर रहे, डायस्टोलिक मापदंडों का अनुमान लगाने के लिए मैकेनिस्टिक व्याख्यात्मकता (mechanistic interpretability) को मशीन लर्निंग की लचीलापन और मजबूती के साथ जोड़ सके।

2. कार्यप्रणाली: DIA-PINN फ्रेमवर्क (Methodology: DIA-Pinn Framework)

लेखकों ने DIA-PINN (डायस्टोलिक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क) विकसित किया है, जो एक फ्रेमवर्क है जो LV डायस्टोल के एक मैकेनिस्टिक मॉडल को सीधे न्यूरल नेटवर्क प्रशिक्षण प्रक्रिया में समाहित करता है।

A. कॉन्स्टिट्यूटिव मॉडल (Constitutive Model)

मॉडल का भौतिक कोर डायस्टोलिक प्रेशर ( $P$ ) को दो घटकों में विभाजित करता है:

सक्रिय रिलैक्सेशन ( $P_{act}$ ): इसे रिलैक्सेशन के टाइम कांस्टेंट ( $\tau$ ) और डायस्टोल के प्रारंभ के प्रेशर ( $P_0$ ) पर निर्भर एक एक्सपोनेंशियल डिके फंक्शन के रूप में मॉडल किया गया है।
पैसिव रिकोइल/स्टिफनेस ( $P_{pas}$ ): इसे वॉल्यूम ( $V$ ), स्टिफनेस कोएफिशिएंट ( $\beta$ ), इलास्टिक रिकोइल कोएफिशिएंट ( $\alpha$ ), इक्विलिब्रियम वॉल्यूम ( $V_{eq}$ ), और डेड वॉल्यूम एस्पेक्टोट (dead volume asymptote) ( $V_0$ ) पर निर्भर एक पीसवाइज लॉगरिदमिक फंक्शन के रूप में मॉडल किया गया है।

कुल प्रेशर छह कॉन्स्टिट्यूटिव मापदंडों के एक सेट द्वारा परिभाषित है: $\Theta = \{\tau, \beta, \alpha, V_{eq}, V_0, V_{max}\}$ ।

B. न्यूरल नेटवर्क आर्किटेक्चर (Neural Network Architecture)

इनपुट (Input): समय ( $t$ ), मापा गया LV वॉल्यूम ( $V$ ), और मापा गया LV प्रेशर ( $P$ )।
आउटपुट (Output): पूरे डायस्टोलिक चरण में अनुमानित प्रेशर ( $P_{pred}$ )।
ट्रेन करने योग्य वेरिएबल्स (Trainable Variables): छह कॉन्स्टिट्यूटिव पैरामीटर्स ( $\Theta$ ) को नेटवर्क के भीतर ग्लोबल ट्रेन करने योग्य वेरिएबल्स के रूप में माना जाता है, न कि फिक्स्ड वेट्स के रूप में।
आर्किटेक्चर: एक फीडफॉरवर्ड न्यूरल नेटवर्क (FNN) जिसमें दो हिडन लेयर्स (5 न्यूरॉन्स प्रत्येक) हैं, और सिगमॉइड (Sigmoid) एक्टिवेशन फंक्शन का उपयोग किया गया है।
ऑप्टिमाइज़र (Optimizer): 0.001 की लर्निंग रेट के साथ एडम (Adam) ऑप्टिमाइज़र।

C. लॉस फंक्शन (Loss Function)

प्रशिक्षण लॉस ( $L$ ) एक मल्टी-कंपोनेंट फंक्शन है जिसे तीन उद्देश्यों को एक साथ लागू करने के लिए डिज़ाइन किया गया है:

फिजिक्स-इन्फॉर्म्ड टर्म ( $L_{phy}$ ): यह सुनिश्चित करता है कि अनुमानित प्रेशर गवर्निंग कॉन्स्टिट्यूटिव इक्वेशंस (सक्रिय और पैसिव घटकों का योग) का पालन करता है।
डेटा फिडेलिटी टर्म ( $L_{data}$ ): अनुमानित प्रेशर और मापे गए क्लिनिकल/सिंथेटिक प्रेशर वेवफॉर्म के बीच मीन स्क्वेर्ड एरर को कम करता है।
फिजियोलॉजिकल प्लाउज़िबिलिटी टर्म ( $L_{phys}$ ): जैविक सीमाओं (जैसे सकारात्मक स्टिफनेस, यथार्थवादी वॉल्यूम रेंज) को लागू करने के लिए ReLU-जैसे बाधाओं का उपयोग करता है, जिससे गैर-फिजियोलॉजिकल समाधानों को रोका जा सके।

3. सत्यापन रणनीति (Validation Strategy)

अध्ययन ने दो अलग-अलग चरणों के माध्यम से DIA-PINN का मूल्यांकन किया:

सिंथेटिक डेटा (मोंटे कार्लो सिमुलेशन):
- व्यवस्थित रूप से परिवर्तित फिजियोलॉजिकल मापदंडों के साथ 4,000 सिंथेटिक PV लूप जनरेट किए गए।
- दो स्थितियों के तहत परीक्षण किया गया: सिंगल-बीट डेटा और वेना कावा ऑक्लूजन (VCO) सीक्वेंस (प्रीलोड रिडक्शन का अनुकरण)।
- रैंडम और गॉसियन नॉइज़ जोड़ा गया ताकि मजबूती का परीक्षण किया जा सके।
- विभिन्न इनिशियलाइजेशन और बाउंडिंग बाधाओं के तहत प्रदर्शन की तुलना GOM के विरुद्ध की गई।
क्लिनिकल डेटा:
- इसे 59 रोगियों (39 HFpEF [Heart Failure with Preserved Ejection Fraction] के साथ और 20 स्वस्थ नियंत्रण) के इनवेसिव PV डेटा पर लागू किया गया।
- DIA-PINN अनुमानों की तुलना सीधे पहले से प्रमाणित GOM से की गई।

4. मुख्य परिणाम (Key Results)

A. सिंथेटिक डेटा प्रदर्शन

सटीकता (Accuracy): DIA-PINN ने यूनिट के करीब इंट्राक्लास कोरिलेशन कोएफिशिएंट्स (ICC) के साथ सभी कॉन्स्टिट्यूटिव इंडिसेस को रिकवर किया।
इनिशियलाइजेशन के प्रति मजबूती: GOM के विपरीत, DIA-PINN पैरामीटर इनिशियलाइजेशन के प्रति असंवेदनशील था। यह रैंडम स्टार्टिंग पॉइंट्स के बावजूद लगातार एक ही पैरामीटर सबस्पेस में कन्वर्ज हुआ, जबकि GOM अक्सर टाइट बाउंड्स के बिना विफल हो गया या लोकल मिनिमा में फंस गया।
प्रीलोड मैनिपुलेशन का प्रभाव:
- सिंगल-बीट: DIA-PINN अच्छा प्रदर्शन करता है लेकिन इलास्टिक रिकोइल कोएफिशिएंट ( $\alpha$ ) और डेड वॉल्यूम ( $V_0$ ) के अनुमान में अधिक विचलन (dispersion) दिखाता है।
- VCO (मल्टी-बीट): प्रदर्शन में उल्लेखनीय सुधार हुआ। प्रीलोड में बदलाव ने पैरामीटर पहचान क्षमता (identifiability) को बढ़ाया, जिससे सभी मापदंडों के लिए बायस (bias) लगभग शून्य हो गया।
GOM के साथ तुलना: DIA-PINN ने पैरामीटर्स को रिकवर करने में GOM से बेहतर प्रदर्शन किया, विशेष रूप से तब जब पैरामीटर बाउंड्स को पूर्व निर्धारित रूप से कड़ाई से बाधित नहीं किया गया था।

B. क्लिनिकल डेटा प्रदर्शन

सहसंबंध (Correlation): DIA-PINN अनुमानों का रिलैक्सेशन टाइम ( $\tau$ , $R=0.98$ ), इक्विलिब्रियम वॉल्यूम ( $V_{eq}$ , $R=0.99$ ), और स्टिफनेस ( $\beta$ , $R=0.90$ ) के लिए GOM अनुमानों के साथ गहरा सहसंबंध रहा।
इलास्टिक रिकोइल: इलास्टिक रिकोइल कोएफिशिएंट ( $\alpha$ ) ने मध्यम सहसंबंध ( $R=0.77$ ) दिखाया, जो सिंथेटिक निष्कर्षों के अनुरूप है जहाँ यह पैरामीटर कम-वॉल्यूम डेटा के बिना पहचानना कठिन है।
स्थिरता (Stability): DIA-PINN ने HFpEF रोगियों और नियंत्रण समूहों दोनों में स्थिर अनुमान प्रदान किए, जिससे इसकी सामान्यीकरण क्षमता (generalizability) सिद्ध हुई।

5. मुख्य योगदान (Key Contributions)

नया फ्रेमवर्क: DIA-PINN पेश किया, जो कच्चे इनवेसिव PV लूप डेटा से सीधे वैश्विक अंतर्निहित डायस्टोलिक गुणों को इन्फर (infer) करने के लिए विशेष रूप से डिज़ाइन किया गया पहला PINN फ्रेमवर्क है।
इनिशियलाइजेशन स्वतंत्रता: DIA-PINN ने सटीक शुरुआती अनुमानों या संकीर्ण पैरामीटर बाउंड्स की आवश्यकता के बिना फिजियोलॉजिकल रूप से सही समाधानों तक पहुँचकर पारंपरिक अनुकूलन विधियों की महत्वपूर्ण सीमा को हल किया।
एकीकृत मॉडलिंग: इसने सक्रिय रिलैक्सेशन और पैसिव स्टिफनेस/रिकोइल तंत्रों को एक एकल, डिफरेंशिएबल मॉडल में सफलतापूर्वक एकीकृत किया, जिससे युग्मित (coupled) समय- और वॉल्यूम-निर्भर बलों का एक साथ अनुमान लगाना संभव हुआ।
ओपन सोर्स: लेखकों ने पूर्ण पायथन कोड जारी किया है, जिससे यह पद्धति पुनरुत्पादित और अनुकूलन योग्य बनती है।

6. महत्व और सीमाएँ (Significance and Limitations)

महत्व:
DIA-PINN कार्डियक मैकेनिक्स मॉडलिंग के बीच के अंतर को पाटता है। यह डायस्टोलिक डिसफंक्शन को मापने के लिए एक मजबूत, पुनरुत्पादित और व्याख्यात्मक उपकरण प्रदान करता है। मैनुअल इनिशियलाइजेशन पर निर्भरता को हटाकर, यह हृदय की विफलता अनुसंधान में क्लिनिकल ट्रांसलेशन के लिए बाधाओं को कम करता है और डायस्टोलिक फेनोटाइपिंग की विश्वसनीयता में सुधार करता है।

सीमाएँ:

पैरामीटर पहचान क्षमता (Parameter Identifiability): अध्ययन स्वीकार करता है कि डेड वॉल्यूम एस्पेक्टोट ( $V_0$ ) और इलास्टिक रिकोइल कोएफिशिएंट ( $\alpha$ ) को सटीक रूप से पहचानना अभी भी कठिन है यदि PV डेटा कम-वॉल्यूम शासन (इक्विलिब्रियम वॉल्यूम से नीचे) तक नहीं पहुँचता है। यह उस क्षेत्र में डेटा की कमी के कारण कॉन्स्टिट्यूटिव मॉडल की एक मौलिक गणितीय सीमा है।
डेटा आवश्यकताएँ: हालांकि सिंगल-बीट विश्लेषण संभव है, यह विधि प्रीलोड रिडक्शन मैन्युवर्स (VCO) के साथ काफी बेहतर प्रदर्शन करती है, जो हमेशा सभी क्लिनिकल सेटिंग्स में व्यवहार्य नहीं हो सकते हैं।

निष्कर्ष (Conclusion)

DIA-PINN कार्डियक मैकेनिक्स मॉडलिंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। न्यूरल नेटवर्क प्रशिक्षण में शारीरिक नियमों को शामिल करके, यह पारंपरिक फिटिंग और ऑप्टिमाइजेशन विधियों के लिए एक बेहतर विकल्प प्रदान करता है, जो उच्च सटीकता, इनिशियलाइजेशन के प्रति असंवेदनशीलता और शोर वाले क्लिनिकल डेटा को प्रभावी ढंग से संभालने की क्षमता प्रदान करता है।