Heart disease detection with trust-based authentication framework in Edge-cloud-IoMT using Adaptive Aggregation Multi-scale Fusion Network
Dit artikel stelt een op vertrouwen gebaseerd authenticatieframework voor dat is geïntegreerd met een Adaptive Aggregation Multi-scale Fusion Network (AAMF-Net) binnen een Edge-cloud-IoMT-architectuur om hartziekten effectief te detecteren, waarbij een nauwkeurigheid van 96,37% wordt bereikt door beperkingen in edge-bronnen aan te pakken via geavanceerde gegevenspreverwerking, kenmerkselectie en een hybride diep leermodel dat self-attention en multi-scale fusie combineert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Hartziekten blijven wereldwijd een belangrijke doodsoorzaak, en het vroegtijdig opsporen ervan is vaak het verschil tussen leven en dood. Decennialang hebben artsen vertrouwd op de medische geschiedenis van de patiënt en lichamelijk onderzoek om waarschuwingssignalen te herkennen, maar de enorme hoeveelheid gegevens die door moderne medische apparaten wordt gegenereerd, biedt een nieuwe weg voorwaarts. Dit is waar het Internet of Medical Things, of IoMT, in beeld komt. Stel je een netwerk voor van slimme sensoren en draagbare apparaten die continu het hart van een patiënt monitoren en een constante stroom informatie naar een centraal systeem sturen. De uitdaging is altijd geweest hoe je deze vloedgolf aan gegevens snel en veilig kunt verwerken zonder de systemen die ze opslaan te overbelasten. Traditionele methoden hebben vaak moeite met de enorme schaal van informatie of slagen er niet in om gevoelige patiëntendossiers te beschermen tegen ongeautoriseerde toegang. Bovendien zijn veel bestaande computerprogramma's die deze gegevens analyseren ofwel te traag om nuttig te zijn in een noodsituatie, of ze missen de precisie om onderscheid te maken tussen een gezond hart en een hart dat in gevaar is.
Een team van onderzoekers heeft een nieuw systeem ontwikkeld dat is ontworpen om deze specifieke problemen op te lossen door drie lagen technologie te combineren: de apparaten zelf, een lokale verwerkingslaag genaamd "edge" computing, en een centrale "cloud"-server. In hun recente werk hebben zij een geavanceerd nieuw model geïntroduceerd genaamd AAMF-Net, dat fungeert als een hoogopgeleide digitale diagnosticus. Het systeem is gebouwd om te werken binnen een beveiligde omgeving waar patiëntgegevens worden beschermd door een op vertrouwen gebaseerd authenticatiekader. Voordat er medische gegevens worden geanalyseerd, verifieert het systeem de identiteit van het apparaat en de gebruiker, om er zeker van te zijn dat alleen geautoriseerde informatie het netwerk binnengaat. Deze beveiligingslaag gebruikt een complex proces om unieke digitale sleutels te genereren, waardoor de gegevens effectief worden vergrendeld zodat alleen de beoogde medische systemen ze kunnen lezen. Zodra de gegevens beveiligd zijn, bewegen ze naar het hart van de operatie: de detectie van hartziekten.
De onderzoekers voerden niet simpelweg ruwe cijfers in een computer in. Ze hebben de gegevens eerst schoongemaakt, fouten verwijderd en ontbrekende stukjes aangevuld om een helder beeld van de gezondheid van de patiënt te creëren. Vervolgens hebben ze het belang van verschillende gezondheidsfactoren in balans gebracht, om ervoor te zorgen dat geen enkel symptoom de analyse domineert. Om om te gaan met het feit dat medische dossiers vaak meer voorbeelden van gezonde harten bevatten dan van zieke harten, genereerde het systeem aanvullende, realistische synthetische voorbeelden van hartziekten om het model te leren waar het naar moet kijken. Deze voorbereiding stelde de kern van hun systeem, de AAMF-Net, in staat om effectief te leren. Dit model is een hybride van twee geavanceerde technieken. Eén deel richt zich op het begrijpen van de diepe, langetermijnpatronen in de gegevens, terwijl het andere deel nauwlettend aandacht besteedt aan de fijne details en randen van de informatie, vergelijkbaar met hoe een menselijke expert zowel naar het grote plaatje als naar de specifieke symptomen zou kijken. Door deze twee perspectieven samen te voegen, creëert het systeem een uitgebreid beeld van de conditie van de patiënt.
Toen de onderzoekers deze nieuwe aanpak testten, waren de resultaten opmerkelijk. Ze vergeleken hun systeem met verschillende andere gevestigde methoden met behulp van real-world medische datasets die duizenden patiëntendossiers bevatten. Het nieuwe model bleek nauwkeuriger en betrouwbaarder dan de voorgaande technieken. In hun tests identificeerde het systeem hartziektegevallen met een nauwkeurigheid van 96,37% en detecteerde het de aanwezigheid van de ziekte in 97,13% van de gevallen waar deze daadwerkelijk aanwezig was. Deze cijfers vertegenwoordigen een significante verbetering ten opzichte van oudere modellen, die vaak worstelden met ruisige gegevens of subtiele tekenen van ziekte misten. De onderzoekers gebruikten ook statistische instrumenten om te bevestigen dat deze resultaten niet slechts een gelukkige gok waren, maar een consistente prestatie. Het systeem was in staat om zijn beslissingen uit te leggen door te benadrukken welke specifieke gezondheidsfactoren, zoals leeftijd of cholesterolgehalten, het belangrijkst waren in zijn diagnose, wat het een betrouwbaar hulpmiddel maakt voor medische professionals.
De studie toont aan dat door gegevens zorgvuldig te beveiligen en een tweeledige aanpak te gebruiken om ze te analyseren, het mogelijk is om een systeem te bouwen dat zowel snel als ongelooflijk precies is. De onderzoekers simuleerden het hele proces, van het moment dat een apparaat gegevens verzamelt tot de uiteindelijke diagnose, waarbij ze lieten zien dat deze methode goed werkt, zelfs wanneer de gegevens imperfect of incompleet zijn. Hoewel dit werk momenteel een simulatie is en nog geen klinische studie in een ziekenhuis, suggereren de bevindingen een duidelijke weg voorwaarts voor hoe technologie artsen kan helpen bij het redden van levens. Het systeem vervangt de menselijke arts niet, maar biedt een krachtige, veilige en zeer nauwkeurige assistent die kan helpen bij het identificeren van hartziekten eerder dan ooit tevoren.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.