NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Bu makalede, nörolojik hastalıkları taramak için derin öğrenme tabanlı bir algoritma önermekteyiz. Nörolojik hastalıkları taramak için çeşitli muayene protokolleri önerdik ve bu protokolleri gerçekleştiren video kayıt yapan kişiler tarafından veri topladık. Video verilerini çok daha küçük bir veri boyutuyla eylem bilgilerini yakalayan insan simgelerine dönüştürdük. Nörolojik bozuklukların etkili göstergeleri olan ses verilerini de kullandık. Her bir protokol için bir alt ağ tasarladık, simgelerden veya sesten özellikler çıkarmak ve protokollerden çıkarılan tüm bilgileri birleştiren bir özellik toplayıcısı nihai bir karar vermek için. Multitask öğrenme iki nörolojik hastalığı taramak için uygulanmıştır. Bu insan simgeleri ve sesleri hakkında anlamlı bilgiler yakalamak için, ön özellikleri çıkarmak için çeşitli önceden eğitilmiş modeller uyguladık. Yer işaretlerinin spatiotemporal özellikleri önceden eğitilmiş bir grafik sinir ağı kullanılarak çıkarılır ve ses özellikleri önceden eğitilmiş bir zaman gecikmeli sinir ağı kullanılarak çıkarılır. Çıkarılan bu üst düzey özellikler daha sonra alt ağlara ve aynı anda eğitilmiş ek bir özellik toplayıcısına aktarılır. Ayrıca veri eksikliğinin üstesinden gelmek için çeşitli veri büyütme teknikleri kullandık. Verilerin özelliklerini göz önünde bulunduran bir çerçeve boyu statikleştirici kullanarak, anlık sarsıntıları bilgi harcamadan yakalayabiliriz. Son olarak, kapsamlı deneyler yoluyla farklı protokollerin ve farklı modalitelerin (farklı vücut parçaları ve ses) etkinliğini inceliyoruz. Önerilen yöntem, bir tarama sistemi için etkili olan inme için 0.802 ve Parkinson hastalığı için 0.780 AUC puanlarını elde eder.
Özgün kaynak özetini okuyun
In this paper, we propose a deep-learning-based algorithm for screening neurological diseases. We proposed various examination protocols for screening neurological diseases and collected data by video-recording persons performing these protocols. We converted video data into human landmarks that capture action information with a much smaller data dimension. We also used voice data which are also effective indicators of neurological disorders. We designed a subnetwork for each protocol to extract features from landmarks or voice and a feature aggregator that combines all the information extracted from the protocols to make a final decision. Multitask learning was applied to screen two neurological diseases. To capture meaningful information about these human landmarks and voices, we applied various pre-trained models to extract preliminary features. The spatiotemporal characteristics of landmarks are extracted using a pre-trained graph neural network, and voice features are extracted using a pre-trained time-delay neural network. These extracted high-level features are then passed onto the subnetworks and an additional feature aggregator that are simultaneously trained. We also used various data augmentation techniques to overcome the shortage of data. Using a frame-length staticizer that considers the characteristics of the data, we can capture momentary tremors without wasting information. Finally, we examine the effectiveness of different protocols and different modalities (different body parts and voice) through extensive experiments. The proposed method achieves AUC scores of 0.802 for stroke and 0.780 for Parkinson's disease, which is effective for a screening system.
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.