NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Hesaplamalı zeka tabanlı yaklaşımlar kullanarak hastalık şiddeti tanımlaması günümüzde popülerlik kazanmaktadır. Yapay zeka ve derin öğrenme destekli yaklaşımlar, çeşitli hastalıkların hızlı ve doğru teşhisinde önemli olduğunu kanıtlamaktadır. Hastalığın tanımlanmasına ek olarak, bu yaklaşımlar bir hastalığın ciddiyetini belirleme potansiyeline sahiptir. Hastalık şiddeti tanımlama sorunu, sınıf etiketlerinin hastalığın ciddiyet seviyeleri olduğu çok sınıflı sınıflandırma olarak kabul edilebilir. Araştırmacılar tarafından ciddiyet tanımlaması için birçok hesaplamalı zeka tabanlı çözüm sunulmuştur. Bu makale, hesaplamalı zeka tabanlı yaklaşımlar kullanarak hastalık şiddeti seviyelerini tanımlamak için son yaklaşımların kapsamlı bir incelemesini sunmaktadır. PRISMA yönergelerini takip ettik ve son on yılın multidisipliner hastalıklarının ciddiyetinin tanımlanmasıyla ilgili MDPI, Springer, IEEE, Elsevier vb. gibi tanınmış yayıncılardan birkaç çalışma derledik. Bu makale iki ana hastalığın ciddiyetinin tanımlanmasına ayrılmıştır, viz. Parkinson Hastalığı ve Diyabetik Retinopati. Bununla birlikte, COVID-19, otonom sinir sistemi disfonksiyonu, tüberküloz, sepsis, uyku apnesi, psikoz, travmatik beyin hasarı, meme kanseri, diz osteoartriti ve Alzheimer hastalığı gibi diğer birkaç hastalığın ciddiyeti de kısaca ele alınmıştır. Her çalışma metodolojisi, kullanılan veri kümesi ve çeşitli performans ölçümleri, doğruluk, özgüllük vb. Buna ek olarak, hastalık şiddeti tanımlaması üzerine araştırma yapmak için kullanılabilecek birkaç kamu deposu da sunduk. Bu incelemenin sadece bir derleme olarak hareket etmediğini, aynı zamanda hesaplamalı zeka tabanlı yaklaşımlar kullanarak hastalık şiddeti tanımlaması üzerinde çalışan araştırmacılara da içgörüler sağladığını umuyoruz.
Özgün kaynak özetini okuyun
Disease severity identification using computational intelligence-based approaches is gaining popularity nowadays. Artificial intelligence and deep-learning-assisted approaches are proving to be significant in the rapid and accurate diagnosis of several diseases. In addition to disease identification, these approaches have the potential to identify the severity of a disease. The problem of disease severity identification can be considered multi-class classification, where the class labels are the severity levels of the disease. Plenty of computational intelligence-based solutions have been presented by researchers for severity identification. This paper presents a comprehensive review of recent approaches for identifying disease severity levels using computational intelligence-based approaches. We followed the PRISMA guidelines and compiled several works related to the severity identification of multidisciplinary diseases of the last decade from well-known publishers, such as MDPI, Springer, IEEE, Elsevier, etc. This article is devoted toward the severity identification of two main diseases, viz. Parkinson's Disease and Diabetic Retinopathy. However, severity identification of a few other diseases, such as COVID-19, autonomic nervous system dysfunction, tuberculosis, sepsis, sleep apnea, psychosis, traumatic brain injury, breast cancer, knee osteoarthritis, and Alzheimer's disease, was also briefly covered. Each work has been carefully examined against its methodology, dataset used, and the type of disease on several performance metrics, accuracy, specificity, etc. In addition to this, we also presented a few public repositories that can be utilized to conduct research on disease severity identification. We hope that this review not only acts as a compendium but also provides insights to the researchers working on disease severity identification using computational intelligence-based approaches.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.