توسعه مدل یادگیری عمیق
ساختار مدل:۱. ورودی ویدئوهای کامل اکوکاردیوگرام
- مدل ویدئوهای کامل اکوکاردیوگرام را دریافت میکند، که شامل توالیهای تصاویری است که قلب را در حال فعالیت نشان میدهند.
- این ویدئوها شامل کلیپهای داپلر رنگی هستند، که تصاویری ویژه هستند که با استفاده از رنگ، جریان خون از طریق دریچههای قلب را نمایش میدهند. مدل بهطور خاص به این کلیپها نگاه میکند تا وضعیت دریچه میترال را که محل بروز نارسایی میترال است، ارزیابی کند.
۲. شناسایی بخشهای مهم
- اولین مرحلهای که مدل انجام میدهد شناسایی بخشهایی از ویدئو است که برای تحلیل دریچه میترال اهمیت دارند. این مشابه تصمیمگیری یک پزشک است که از میان تمام تصاویر یک اسکن، تصاویر مهم را انتخاب کند.
۳. تحلیل تصاویر در طول زمان
- مدل تنها به تصاویر تک نگاه نمیکند، بلکه تغییرات زمان در ویدئو را نیز در نظر میگیرد. برای این کار از یک شبکه عصبی کانولوشنی فضازمانی (Spatiotemporal CNN) استفاده میکند (نوعی از هوش مصنوعی که میتواند هم فضای تصویر و هم تغییرات زمان را درک کند).
- این شبکه به هر فریم (تصویر جداگانه) ویدئو نگاه کرده و الگوهایی مانند نحوه جریان خون از طریق دریچه میترال در هر لحظه را درک میکند.
۴. تصمیمگیری برای هر کلیپ ویدئویی
- پس از تحلیل تصاویر، مدل تصمیم میگیرد که شدت نارسایی میترال برای هر کلیپ ویدئویی چیست. این کار را برای تمام کلیپها در اکوکاردیوگرام انجام میدهد.
۵. ترکیب نتایج
- هنگامی که مدل تمام کلیپها را تحلیل کرد، نتایج را ترکیب میکند. برای مثال، اگر برخی کلیپها نارسایی میترال شدید و برخی دیگر خفیف را نشان دهند، مدل تصمیم میگیرد کدامیک از اینها برای ارزیابی کلی شدت نارسایی میترال اهمیت بیشتری دارند.
۶. خروجی نهایی
- خروجی نهایی، طبقهبندی شدت نارسایی میترال (بدون، خفیف، متوسط، یا شدید) برای کل مطالعه اکوکاردیوگرام است.
آموزش و آزمایش: اکوکاردیوگرامها به مجموعههای آموزش جهت شناسایی و طبقهبندی شدت نارسایی میترال (۶۰٪)، اعتبارسنجی جهت تنظیم مدل و جلوگیری از بیشبرازش (۲۰٪)، و تست جهت ارزیابی عملکرد مدل (۲۰٪) تقسیم شدند. ابتدا مدل به طبقهبندی شدت نارسایی میترال به شش سطح آموزش داده شد، اما بعداً با استفاده از مقیاس چهار سطحی سادهتر (بدون/جزئی، خفیف، متوسط، شدید) ارزیابی شد.
بهبود مدل:۱. ترکیب پیشبینیها از کلیپها:
وقتی مدل یادگیری عمیق یک اکوکاردیوگرام را تحلیل میکند، به کلیپها یا بخشهای مختلف از اکوکاردیوگرام نگاه میکند. به جای تصمیمگیری جداگانه برای هر کلیپ، مدل پیشبینیهای فردی را ترکیب میکند تا ارزیابی نهایی برای کل مطالعه اکوکاردیوگرام ارائه دهد. اکوکاردیوگرامها ممکن است شامل کلیپهای مختلفی باشند که زوایا یا بخشهای مختلف قلب را نشان میدهند. با ترکیب اطلاعات از تمام این کلیپها، مدل تصویر کلی دقیقتری از شدت نارسایی میترال به دست میآورد.
۲. استفاده از روش TopK:
در طول آموزش، مدل کلیپهایی را که شدیدترین موارد نارسایی میترال را نشان میدهند انتخاب و تمرکز میکند. این رویکرد به نام روش TopK شناخته میشود. با تمرکز بر روی کلیپهای با نارسایی میترال شدیدتر، مدل بهتر قادر به شناسایی و طبقهبندی موارد شدید میشود. این کمک میکند تا دقت آن در شناسایی شرایط بحرانی بهبود یابد.
آپتودیت هوش مصنوعی پزشکی
#آموزشی
#پژوهشی
#محتوای_اختصاصی
@MAIA_HQ
