NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Sağlık alanındaki veri kıtlığı, yapay zekayı ilgilendiren çoğu son teknoloji için büyük bir dezavantajdır. Kaliteli verilerin hem toplama hem de etiketleme zorluğu nedeniyle yanı sıra hassas doğası nedeniyle veri büyütme çözümleri için bir üreme alanı oluşturur. Parkinson Hastalığı (PD), motor bozukluklar da dahil olmak üzere çok çeşitli semptomlara sahip olabilen, kaliteli veri elde etmek için çok zorlu bir vakadan oluşur. Generatif Adversarial Networks (GAN) bu tür veri kullanılabilirlik sorunlarını hafifletmeye yardımcı olabilir. Bu ışıkta, bu çalışma, giriş olarak yürüyüş (FoG) semptom veri kümesinin dondurulması kullanılarak Generatif Adversarial Ağları (GAN) ilgilendiren bir veri büyütme çözümüne odaklanmaktadır. Bu çalışmada sunulan sözde FoGGAN mimarisi tarafından üretilen veriler, çeşitli benzerlik metrikleri ile sonuçlandığı gibi orijinaliyle neredeyse aynıdır. Bu, bu tür çözümlerin önemini vurgular, çünkü yapay zeka uygulamalarına veri kümesi girdileri eğitimi olarak kullanılabilecek güvenilir sentetik olarak oluşturulmuş veriler sağlayabilirler. Ek olarak, bir DNN sınıflandırıcısının performansı üç farklı değerlendirme veri seti kullanılarak değerlendirilir ve doğruluk sonuçları oldukça cesaret vericiydi ve FOGGAN çözümünün veri sıkıntısı konusunun hafifletilmesine yol açabileceğini vurguladı.
Özgün kaynak özetini okuyun
Data scarcity in the healthcare domain is a major drawback for most state-of-the-art technologies engaging artificial intelligence. The unavailability of quality data due to both the difficulty to gather and label them as well as due to their sensitive nature create a breeding ground for data augmentation solutions. Parkinson's Disease (PD) which can have a wide range of symptoms including motor impairments consists of a very challenging case for quality data acquisition. Generative Adversarial Networks (GANs) can help alleviate such data availability issues. In this light, this study focuses on a data augmentation solution engaging Generative Adversarial Networks (GANs) using a freezing of gait (FoG) symptom dataset as input. The data generated by the so-called FoGGAN architecture presented in this study are almost identical to the original as concluded by a variety of similarity metrics. This highlights the significance of such solutions as they can provide credible synthetically generated data which can be utilized as training dataset inputs to AI applications. Additionally, a DNN classifier's performance is evaluated using three different evaluation datasets and the accuracy results were quite encouraging, highlighting that the FOGGAN solution could lead to the alleviation of the data shortage matter.
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.