Heart disease detection with trust-based authentication framework in Edge-cloud-IoMT using Adaptive Aggregation Multi-scale Fusion Network
यह शोध पत्र एक एज-क्लाउड-IoMT आर्किटेक्चर के भीतर एक एडेप्टिव एग्रीगेशन मल्टी-स्केल फ्यूजन नेटवर्क (AAMF-Net) के साथ एकीकृत एक ट्रस्ट-आधारित प्रमाणीकरण ढांचे का प्रस्ताव करता है, जो उन्नत डेटा प्रीप्रोसेसिंग, फीचर सिलेक्शन और सेल्फ-अटेंशन एवं मल्टी-स्केल फ्यूजन को संयोजित करने वाले एक हाइब्रिड डीप लर्निंग मॉडल के माध्यम से एज संसाधन बाधाओं को संबोधित करते हुए हृदय रोग का प्रभावी ढंग से पता लगाने के लिए 96.37% सटीकता प्राप्त करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
हृदय रोग दुनिया भर में मृत्यु का एक प्रमुख कारण बना हुआ है, और इसे जल्दी पकड़ लेना अक्सर जीवन और मृत्यु के बीच का अंतर होता है। दशकों से, डॉक्टर चेतावनी संकेतों को पहचानने के लिए रोगी के इतिहास और शारीरिक परीक्षणों पर भरोसा करते आए हैं, लेकिन आधुनिक चिकित्सा उपकरणों द्वारा उत्पन्न डेटा की विशाल मात्रा एक नया मार्ग प्रशस्त करती है। यहीं पर 'इंटरनेट ऑफ मेडिकल थिंग्स' (IoMT) की भूमिका आती है। कल्पना कीजिए कि स्मार्ट सेंसर और पहनने योग्य उपकरणों (wearable devices) का एक नेटवर्क है जो निरंतर रोगी के हृदय की निगरानी करता है, और एक केंद्रीय प्रणाली को सूचनाओं की एक निरंतर धारा भेजता है। चुनौती हमेशा यह रही है कि इस डेटा के सैलाब को उन प्रणालियों को अभिभूत किए बिना कितनी तेज़ी से और सुरक्षित रूप से संसाधित किया जाए जो इसे संग्रहीत करती हैं। पारंपरिक तरीके अक्सर सूचना के विशाल पैमाने के साथ संघर्ष करते हैं या संवेदनशील रोगी रिकॉर्ड को अनधिकृत पहुंच से बचाने में विफल रहते हैं। इसके अलावा, इस डेटा का विश्लेषण करने के लिए उपयोग किए जाने वाले कई मौजूदा कंप्यूटर प्रोग्राम या तो आपात स्थिति में उपयोगी होने के लिए बहुत धीमे हैं या एक स्वस्थ हृदय और संकट में पड़े हृदय के बीच अंतर करने के लिए आवश्यक सटीकता की कमी रखते हैं।
शोधकर्ताओं की एक टीम ने तीन स्तरों की तकनीक को जोड़कर इन विशिष्ट समस्याओं को हल करने के लिए डिज़ाइन की गई एक नई प्रणाली विकसित की है: स्वयं उपकरण, "एज" (edge) कंप्यूटिंग नामक एक स्थानीय प्रसंस्करण परत, और एक केंद्रीय "क्लाउड" सर्वर। अपने हालिया कार्य में, उन्होंने AAMF-Net नामक एक परिष्कृत नया मॉडल पेश किया, जो एक अत्यधिक प्रशिक्षित डिजिटल निदान विशेषज्ञ (diagnostician) के रूप में कार्य करता है। यह प्रणाली एक सुरक्षित वातावरण के भीतर काम करने के लिए बनाई गई है जहाँ रोगी के डेटा को एक विश्वास-आधारित प्रमाणीकरण ढांचे द्वारा सुरक्षित किया जाता है। किसी भी चिकित्सा डेटा के विश्लेषण से पहले, सिस्टम उपकरण और उपयोगकर्ता की पहचान को सत्यापित करता है, जिससे यह सुनिश्चित होता है कि केवल अधिकृत जानकारी ही नेटवर्क में प्रवेश करे। यह सुरक्षा परत एक जटिल प्रक्रिया का उपयोग करती है जो अद्वितीय डिजिटल कुंजियाँ (keys) उत्पन्न करती है, जिससे डेटा प्रभावी रूप से लॉक हो जाता है ताकि केवल इच्छित चिकित्सा प्रणालियाँ ही इसे पढ़ सकें। एक बार जब डेटा सुरक्षित हो जाता है, तो यह ऑपरेशन के केंद्र की ओर बढ़ता है: हृदय रोग का पता लगाना।
शोधकर्ताओं ने केवल कच्चे नंबरों को कंप्यूटर में नहीं डाला। उन्होंने पहले डेटा को साफ किया, त्रुटियों को हटाया और लापता हिस्सों को भरा ताकि रोगी के स्वास्थ्य की एक स्पष्ट तस्वीर बनाई जा सके। इसके बाद उन्होंने विभिन्न स्वास्थ्य कारकों के महत्व को संतुलित किया, यह सुनिश्चित करते हुए कि कोई भी एक लक्षण विश्लेषण पर हावी न हो। इस तथ्य को संभालने के लिए कि चिकित्सा रिकॉर्ड में अक्सर बीमार हृदयों की तुलना में स्वस्थ हृदयों के अधिक उदाहरण होते हैं, सिस्टम ने मॉडल को यह सिखाने के लिए कि उसे क्या देखना है, हृदय रोग के अतिरिक्त, यथार्थवादी कृत्रिम (synthetic) उदाहरण तैयार किए। इस तैयारी ने उनके सिस्टम के मूल, यानी AAMF-Net को प्रभावी ढंग से सीखने में मदद की। यह मॉडल दो उन्नत तकनीकों का एक हाइब्रिड (संकर) है। एक हिस्सा डेटा में गहरे, दीर्घकालिक पैटर्न को समझने पर ध्यान केंद्रित करता है, जबकि दूसरा हिस्सा सूचना के सूक्ष्म विवरणों और किनारों पर बारीकी से ध्यान देता है, ठीक वैसे ही जैसे एक मानव विशेषज्ञ बड़े चित्र और विशिष्ट लक्षणों दोनों को देखता है। इन दो दृष्टिकोणों को मिलाकर, सिस्टम रोगी की स्थिति का एक व्यापक दृश्य बनाता है।
जब शोधकर्ताओं ने इस नए दृष्टिकोण का परीक्षण किया, तो परिणाम आश्चर्यजनक थे। उन्होंने हजारों रोगी रिकॉर्ड वाले वास्तविक दुनिया के चिकित्सा डेटासेट का उपयोग करके कई स्थापित विधियों के विरुद्ध अपने सिस्टम की तुलना की। नया मॉडल पिछले तकनीकों की तुलना में अधिक सटीक और विश्वसनीय साबित हुआ। अपने परीक्षणों में, सिस्टम ने 96.37% की सटीकता के साथ हृदय रोग के मामलों की सही पहचान की और उन मामलों में, जहाँ वास्तव में बीमारी मौजूद थी, 97.13% सफलतापूर्वक बीमारी की उपस्थिति का पता लगाया। ये संख्याएँ पुराने मॉडलों की तुलना में एक महत्वपूर्ण सुधार का प्रतिनिधित्व करती हैं, जो अक्सर शोर वाले (noisy) डेटा के साथ संघर्ष करते थे या बीमारी के सूक्ष्म संकेतों को मिस कर देते थे। शोधकर्ताओं ने सांख्यिकीय उपकरणों का भी उपयोग किया ताकि यह पुष्टि की जा सके कि ये परिणाम केवल एक भाग्यशाली अनुमान नहीं बल्कि एक सुसंगत प्रदर्शन थे। सिस्टम अपने निर्णयों को समझाने में सक्षम था, जिसमें यह उजागर किया गया कि कौन से विशिष्ट स्वास्थ्य कारक, जैसे कि आयु या कोलेस्ट्रॉल का स्तर, उसके निदान में सबसे महत्वपूर्ण थे, जिससे यह चिकित्सा पेशेवरों के लिए एक भरोसेमंद उपकरण बन गया।
यह अध्ययन प्रदर्शित करता है कि डेटा को सावधानीपूर्वक सुरक्षित करके और इसका विश्लेषण करने के लिए दो-स्तरीय दृष्टिकोण का उपयोग करके, एक ऐसी प्रणाली बनाना संभव है जो तेज़ और अविश्वसनीय रूप से सटीक दोनों हो। शोधकर्ताओं ने पूरी प्रक्रिया का अनुकरण (simulate) किया, इस क्षण से लेकर जब एक उपकरण डेटा एकत्र करता है जब तक कि अंतिम निदान तक, यह दिखाते हुए कि यह विधि तब भी अच्छी तरह काम करती है जब डेटा अपूर्ण या अधूरा हो। हालांकि यह कार्य वर्तमान में एक सिमुलेशन है और अभी तक अस्पताल में नैदानिक परीक्षण (clinical trial) नहीं हुआ है, लेकिन निष्कर्ष यह संकेत देते हैं कि तकनीक कैसे डॉक्टरों की जीवन बचाने में सहायता कर सकती है, इसके लिए एक स्पष्ट मार्ग है। यह प्रणाली मानव चिकित्सक का स्थान नहीं लेती है, बल्कि एक शक्तिशाली, सुरक्षित और अत्यधिक सटीक सहायक प्रदान करती है जो हृदय रोग को पहले से कहीं अधिक जल्दी पहचानने में मदद कर सकती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।