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।
यह शोधपत्र चिकित्सा क्षेत्र, विशेष रूप से नेत्र विज्ञान में, फाउंडेशन मॉडल (FM) के अनुप्रयोग पर एक अध्ययन के परिणाम प्रस्तुत करता है। हमने विभिन्न नेत्र रोगों का पता लगाने और प्रणालीगत रोग पूर्वानुमान कार्यों के लिए रेटिना-विशिष्ट FM, RETFound, और सामान्य-उद्देश्य दृष्टि FM, DINOv2, की तुलना और मूल्यांकन किया। फाइन-ट्यूनिंग के बाद, हमने आठ सार्वजनिक रूप से उपलब्ध नेत्र विज्ञान डेटासेट, मूरफील्ड्स अल्ज़आई और यूके बायोबैंक डेटासेट का उपयोग करके प्रदर्शन की तुलना की। DINOv2 ने डायबिटिक रेटिनोपैथी और एकाधिक नेत्र रोगों का पता लगाने में बेहतर प्रदर्शन किया, जबकि RETFound ने हृदय गति रुकने, मायोकार्डियल इन्फार्क्शन और इस्केमिक स्ट्रोक की भविष्यवाणी में बेहतर प्रदर्शन किया। यह किसी दिए गए कार्य के लिए सही FM चुनने के महत्व को उजागर करता है।
Takeaways, Limitations
•
Takeaways:
◦
हमने सामान्य प्रयोजन एफएम (DINOv2) और डोमेन-विशिष्ट एफएम (RETFound) की सापेक्ष शक्तियों की पहचान की।
◦
विशिष्ट नेत्र रोगों के निदान और प्रणालीगत रोगों की भविष्यवाणी के लिए प्रत्येक एफएम की उपयुक्तता प्रस्तुत की गई।
◦
इससे पता चलता है कि कार्य विशेषताओं के लिए उपयुक्त एफएम का चयन नैदानिक प्रदर्शन को अनुकूलित करने के लिए महत्वपूर्ण है।
•
Limitations:
◦
अध्ययन में प्रयुक्त डेटासेट की सीमाओं के कारण सामान्यीकरण में सीमाएं।
◦
अन्य प्रकार के एफएम या अधिक नैदानिक चुनौतियों पर आगे अनुसंधान की आवश्यकता है।
◦
हालाँकि कुछ स्थितियों में प्रदर्शन में अंतर सूक्ष्म हो सकता है, लेकिन वे सांख्यिकीय रूप से महत्वपूर्ण हो सकते हैं। नैदानिक उपयोगिता निर्धारित करने के लिए आगे के विश्लेषण की आवश्यकता है।
