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।
अगली परत: कम्प्यूटेशनल पैथोलॉजी में स्थानीय पैच से लेकर वैश्विक संदर्भ जागरूकता तक संरचना-संरक्षण और ध्यान-निर्देशित शिक्षण के साथ आधारभूत मॉडल का संवर्धन
ईगल-नेट एक संरचना-संरक्षण, बहु-आवृत्ति अधिगम (एमआईएल) पर आधारित अवधान-आधारित संरचना है जो ऊतक की वैश्विक स्थानिक संरचना और निदानात्मक रूप से प्रासंगिक क्षेत्रों के बीच स्थानीय संदर्भगत संबंधों, दोनों का लाभ उठाने वाले तंत्रों को शामिल करके पारंपरिक आधार मॉडल की सीमाओं को पार करती है। यह बहु-स्तरीय निरपेक्ष स्थानिक एन्कोडिंग के माध्यम से वैश्विक ऊतक संरचना को ग्रहण करता है, शीर्ष-के पड़ोसी पहचान हानि के माध्यम से स्थानीय सूक्ष्म वातावरण पर ध्यान केंद्रित करता है, और पृष्ठभूमि दमन हानि के माध्यम से मिथ्या सकारात्मक परिणामों को न्यूनतम करता है। तीन अलग-अलग ऊतकीय आधार स्तंभों (रेमेडीज़, यूनी-वी1, और यूनी2-एच) का उपयोग करके तीन कैंसर प्रकार वर्गीकरण कार्यों (10,260 स्लाइड) और सात कैंसर प्रकार उत्तरजीविता पूर्वानुमान कार्यों (4,172 स्लाइड) पर मूल्यांकन किए जाने पर, इसने सात कैंसर प्रकारों में से छह में 3% तक बेहतर वर्गीकरण सटीकता और उच्चतम सहमति सूचकांक प्राप्त किया। यह सुचारू, जैविक रूप से सुसंगत अवधान मानचित्र भी तैयार करता है जो विशेषज्ञ टिप्पणियों के साथ संरेखित होते हैं और आक्रामक मोर्चों, परिगलन और प्रतिरक्षा घुसपैठ को उजागर करते हैं।
Takeaways, Limitations
•
Takeaways:
◦
हम एक सामान्यीकृत और व्याख्या योग्य एमआईएल ढांचा प्रस्तुत करते हैं जो ट्यूमर माइक्रोएन्वायरमेंट की समझ में सुधार करने के लिए आधारभूत मॉडल का पूरक है।
◦
बहु-स्तरीय स्थानिक एन्कोडिंग और शीर्ष-के पड़ोसी-जागरूक हानि के माध्यम से बेहतर भविष्यवाणी सटीकता और व्याख्यात्मकता प्राप्त की जाती है।
◦
यह विभिन्न कैंसर प्रकारों और कार्यों (वर्गीकरण और उत्तरजीविता भविष्यवाणी) में उत्कृष्ट प्रदर्शन दर्शाता है।
◦
जैविक रूप से सार्थक ध्यान मानचित्र तैयार करके बायोमार्कर खोज और पूर्वानुमान मॉडलिंग में योगदान देता है।
•
Limitations:
◦
चूंकि ये एक विशिष्ट आधार मॉडल और डेटासेट के लिए प्रदर्शन मूल्यांकन परिणाम हैं, इसलिए अन्य मॉडलों या डेटासेट के लिए सामान्यीकरण प्रदर्शन निर्धारित करने के लिए आगे अनुसंधान की आवश्यकता है।
◦
वर्तमान में प्रयुक्त तीन मुख्य मॉडलों के अलावा अन्य मॉडलों के लिए तुलनात्मक प्रदर्शन विश्लेषण का अभाव है।
◦
कैंसर के विभिन्न प्रकारों और बड़े डेटासेट पर सत्यापन की आवश्यकता है।
