दैनिक अर्क्सिव

यह पेज दुनियाभर में प्रकाशित होने वाले आर्टिफिशियल इंटेलिजेंस संबंधित रिसर्च पेपर्स को संक्षिप्त रूप में प्रस्तुत करता है।
यहां Google Gemini का उपयोग करके पेपर्स का सारांश तैयार किया जाता है और यह पेज गैर-लाभकारी रूप से संचालित किया जाता है।
पेपर के कॉपीराइट लेखक और संबंधित संस्थान के पास हैं, और साझा करते समय बस स्रोत का उल्लेख करें।

मल्टी-मोडल फाउंडेशन मॉडल का उपयोग करके स्ट्रोक जोखिम पूर्वानुमान को आगे बढ़ाना

Created by
  • Haebom

लेखक

केमिली डेलग्रेंज, ओल्गा डेमलर, सामिया मोरा, ब्योर्न मेन्ज़, एज़ेकिएल डे ला रोज़ा, नेडा दावौदी

रूपरेखा

यह शोधपत्र स्ट्रोक के जोखिम पूर्वानुमान को बेहतर बनाने हेतु विभिन्न नैदानिक ​​डेटा विधियों को एकीकृत करने हेतु एक स्व-पर्यवेक्षित शिक्षण-आधारित बहुविध ढाँचा प्रस्तुत करता है। यह स्ट्रोक-पूर्व जोखिम पूर्वानुमान को बेहतर बनाने के लिए त्रि-आयामी मस्तिष्क छवियों, नैदानिक ​​डेटा और छवि-व्युत्पन्न विशेषताओं को संयोजित करता है। यह छवि और सारणीबद्ध डेटा विधियों के बीच पूरक और सहक्रियात्मक जानकारी प्राप्त करने के लिए एक लेबल रहित डेटासेट (यूके बायोबैंक) का उपयोग करता है। विपरीत शिक्षण ढाँचे पर आधारित, यह बहुविध डेटा अभ्यावेदन को एक साझा अव्यक्त स्थान में संरेखित करने के लिए विपरीत शब्द-छवि पूर्व-प्रशिक्षण और छवि-तालिका डेटा मिलान मॉड्यूल को संयोजित करता है। परिणामों की तुलना और मूल्यांकन विभिन्न मॉडल सेटिंग्स (स्थिर और प्रशिक्षण योग्य) के अंतर्गत मौजूदा सर्वश्रेष्ठ प्रदर्शन करने वाली यूनिमॉडल और मल्टीमॉडल विधियों से किया गया है, और स्व-पर्यवेक्षित शिक्षण सारणीबद्ध डेटा (छवि) विधि की तुलना में ROC-AUC में 2.6% (2.6%) और संतुलित सटीकता में 3.3% (5.6%) का सुधार हुआ है, और सर्वश्रेष्ठ प्रदर्शन करने वाले मल्टीमॉडल पर्यवेक्षित शिक्षण मॉडल की तुलना में संतुलित सटीकता में 7.6% का सुधार हुआ है। हम प्रदर्शित करते हैं कि व्याख्या योग्य उपकरणों के माध्यम से सारणीबद्ध और छवि डेटा का बेहतर एकीकरण अधिक समृद्ध और अधिक संरेखित एम्बेडिंग प्रदान करता है, जबकि ग्रेडिएंट-भारित क्लास एक्टिवेशन मैपिंग हीटमैप मस्तिष्क की उम्र बढ़ने, स्ट्रोक के जोखिम और नैदानिक ​​परिणामों से जुड़े मस्तिष्क क्षेत्रों की सक्रियता को प्रकट करते हैं।

Takeaways, Limitations

Takeaways:
हमने स्व-पर्यवेक्षित शिक्षण पर आधारित मल्टीमॉडल ढांचे के माध्यम से स्ट्रोक जोखिम पूर्वानुमान प्रदर्शन में सुधार किया।
यह मौजूदा सर्वश्रेष्ठ प्रदर्शन करने वाले एकल-मोडल और बहु-मोडल विधियों से बेहतर प्रदर्शन करता है।
व्याख्या योग्य उपकरणों के माध्यम से मॉडल के पूर्वानुमान परिणामों में अंतर्दृष्टि प्रदान करता है।
विविध डेटा तौर-तरीकों को एकीकृत करने के लिए एक शक्तिशाली आधार प्रदान करता है।
Limitations:
यह अध्ययन यूके बायोबैंक डेटासेट पर आधारित है, तथा अन्य डेटासेटों के लिए सामान्यीकरण प्रदर्शन हेतु आगे अध्ययन की आवश्यकता है।
स्व-पर्यवेक्षित शिक्षण की प्रकृति के कारण, प्रदर्शन लेबल रहित डेटा की गुणवत्ता से प्रभावित हो सकता है।
मॉडल की व्याख्याशीलता का पता लगाने के लिए और अधिक शोध की आवश्यकता है।
विशिष्ट जनसंख्या के लिए सामान्यीकरण प्रदर्शन अनुमानों का अभाव हो सकता है।
👍