Linear Gaussian Kernel Cycle Generative Adversarial Networks based Transformer Learning for Early-Stage Stroke Prediction with Parkinson and Skin Disease
Dit artikel stelt een Linear Gaussian Kernel Cycle Generative Adversarial Networks-gebaseerd Transformer Learning (LGKCGAN-TL) model voor dat beeldruisonderdrukking, GAN-gebaseerde dataaugmentatie en Rosenthal Correlative Transformer Learning integreert om met hoge nauwkeurigheid en lage latentie vroege stadium beroepspredictie te bereiken door gebruik te maken van gegevens uit Parkinson- en huidziektedatasets.
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
Een beroerte is een plotselinge, levensveranderende gebeurtenis die optreedt wanneer de bloedtoevoer naar de hersenen wordt geblokkeerd of een bloedvat barst, wat het een belangrijke oorzaak maakt van sterfte en langdurige invaliditeit wereldwijd. Omdat de schade zo snel optreedt, heeft de medische gemeenschap lang begrepen dat het vroegtijdig herkennen van de waarschuwingssignalen de enige manier is om de ergste uitkomsten te voorkomen. Decennialang hebben artsen vertrouwd op hersenscans en klinisch onderzoek om diegenen te identificeren die risico lopen, maar onderzoekers zijn onlangs begonnen met het zoeken naar aanwijzingen op onverwachte plekken. Ze hebben opgemerkt dat het lichaam vaak tekenen van problemen vertoont in andere systemen voordat er een beroerte optreedt. Zo kan de manier waarop iemand een spiraal tekent, de tremors van de ziekte van Parkinson onthullen, en de conditie van de huid van een persoon kan onderliggende ontsteking signaleren die gelinkt is aan hart- en vaatproblemen. De uitdaging is geweest om deze verspreide, subtiele signalen om te zetten in een betrouwbaar waarschuwingssysteem dat snel genoeg werkt om een leven te redden.
Een team van onderzoekers heeft een nieuw computersysteem ontwikkeld dat ontworpen is om deze kloof te overbruggen, met als doel het risico op een beroerte te voorspellen door afbeeldingen van handgetekende spiralen en foto's van huidcondities te analyseren. Het systeem, dat de auteurs LGKCGAN-TL noemen, werkt door eerst de ontvangen ruwe afbeeldingen op te schonen. Medische foto's en tekeningen bevatten vaak korrelige artefacten of ruis die een computer in verwarring kunnen brengen, dus gebruikt het team een specifieke filtermethode om de afbeelding te verzachten terwijl de belangrijke details scherp blijven. Deze stap zorgt ervoor dat de computer kijkt naar de werkelijke vorm van een tremor of de textuur van een huidlaesie, in plaats van naar willekeurige statische ruis. Zodra de afbeeldingen helder zijn, creëert het systeem duizenden nieuwe, synthetische voorbeelden op basis van de originele exemplaren. Dit proces, bekend als data-augmentatie, stelt de computer in staat om te leren van een veel grotere en meer gevarieerde set voorbeelden dan wat oorspronkelijk beschikbaar was, wat helpt om patronen te herkennen die het anders wellicht gemist zou hebben.
De kern van deze nieuwe aanpak is een type kunstmatige intelligentie dat een afbeelding opbreekt in kleine, hanteerbare stukjes en bestudeert hoe ze met elkaar samenhangen. In plaats van alleen naar het hele plaatje tegelijk te kijken, onderzoekt het systeem de verbindingen tussen verschillende delen van de tekening of de huid, net zoals een persoon naar de relatie tussen de lijnen van een gezicht zou kunnen kijken om een expressie te begrijpen. Door deze verbindingen te analyseren, kan de computer de specifieke geometrische vormen, texturen en kleuren identificeren die geassocieerd worden met een hoog beroerterisico. De onderzoekers testten dit systeem met behulp van twee afzonderlijke datasets: een collectie spiraaltekeningen gemaakt door mensen met en zonder de ziekte van Parkinson, en een groot archief van huidafbeeldingen die condities zoals psoriasis, eczeem en lupus laten zien. Deze specifieke aandoeningen werden gekozen omdat ze bekend staan om hun link met dezelfde ontstekingsprocessen die de waarschijnlijkheid van een beroerte vergroten.
De resultaten van het onderzoek suggereren dat deze methode zeer effectief is bij het onderscheiden tussen personen met een laag en een hoog risico. Wanneer het systeem werd getest op de teken- en huiddatasets, identificeerde het het beroerterisico met een nauwkeurigheidspercentage tussen de 98 en 99 procent. Het was ook in staat dit ongelooflijk snel te doen, met een voorspelling in ongeveer 55 milliseconden, wat ongeveer de tijd is die nodig is om te knipperen. Ter vergelijking waren andere bestaande computermodellen die voor soortgelijke taken werden gebruikt trager en minder nauwkeurig, waarbij ze vaak kritieke signalen misten of te langzaam waren in het verwerken van de informatie. Het nieuwe systeem bleek ook beter in het vermijden van valse alarmen, waarbij het gezonde individuen vaker correct als laag risico identificeerde dan eerdere methoden. De onderzoekers ontdekten dat door het combineren van het opschonen van de afbeeldingen, het creëren van extra trainingsvoorbeelden en de geavanceerde patroonherkenning van het transformer-model, zij een hulpmiddel konden creëren dat zowel precies als snel is.
Hoewel de bevindingen veelbelovend zijn, merken de auteurs op dat het systeem momenteel beperkt is tot deze specifieke soorten afbeeldingen en nog niet is getest op het volledige bereik aan medische gegevens die in ziekenhuizen worden gebruikt, zoals MRI- of CT-scans. De studie steunt op de verbinding tussen de huid, neurologische aandoeningen en beroertes, maar vervangt nog niet de uitgebreide onderzoeken die een arts zou uitvoeren. Het werk demonstreert echter dat het mogelijk is om een digitale assistent te bouwen die de vroege, subtiele tekenen van een beroerte kan opsporen door op nieuwe manieren naar het lichaam te kijken. Als deze methoden kunnen worden uitgebreid om meer diverse medische dossiers en grotere groepen mensen te omvatten, zouden ze op een dag een krachtig hulpmiddel voor artsen kunnen dienen, waarbij ze helpen ingrijpen voordat een beroerte ooit plaatsvindt.
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.