NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Özet Parkinson hastalığı (PD), dünyadaki önde gelen nörodejeneratif bozukluktur. Klinik çalışmalar retina yapısındaki patoloji değişikliklerinin optik koherens tomografi (OKT) görüntülerine dayanarak PD tanısı için potansiyel biyobelirteçler olabileceğini doğrulamıştır. Bilginler yavaş yavaş derin sinir ağları (DNN'ler) otomatik PD tanıma uyguladılar ve iyi sonuçlar elde ettiler. Bununla birlikte, doğru bir DNN tabanlı PD tanıma modeli oluşturmak çok sayıda OCT görüntüsü ve pahalı hesaplama kaynakları gerektirir. Dahası, son zamanlardaki önceden eğitilmiş görsel temel modelleri (VFM'ler), tüm önceden eğitilmiş parametreleri güncelleyerek geleneksel tam ince ayar tekniklerinden ziyade, parametre verimli ince ayar teknikleri yardımıyla çeşitli görsel tanıma görevlerinde umut verici bir başarı elde etti. Bu nedenle, önceden eğitilmiş VFM'yi adaptör öğrenme paradigması (VFM-Adapter) teknikleriyle OCT görüntülerine dayalı otomatik PD tanıma işlemine aktarıyoruz. Spesifik olarak, VFM'lerin önceden eğitilmiş parametrelerini dondurarak, üç hafif adaptör tanıtıyoruz: küresel adaptör, yerel adaptör ve jeton-bilgesi adaptör, güçlü PD tanıma özelliğine sahip VFM'leri donatmak için VFM'lerden OCT görüntülerine özellik gösterimlerinin aktarılabilirliğini etkili bir şekilde kullanmak için. Klinik OCT-PD veri setindeki sonuçlar, önerilen VFM-Adapter'ın, önemli ölçüde daha az tonozlu parametrelere sahip son teknoloji DNN'lere kıyasla rekabetçi ve hatta daha iyi PD tanıma performansı elde edebileceğini göstermektedir.
Özgün kaynak özetini okuyun
Abstract Parkinson’s disease (PD) is the leading neurodegenerative disorder in the world. Clinical studies have verified that the pathology changes in the retina structure can be potential biomarkers for PD diagnosis based on optical coherence tomography (OCT) images. Scholars have gradually applied deep neural networks (DNNs) to automatic PD recognition and have achieved good results. However, building an accurate DNN-based PD recognition model requires a large number of OCT images and expensive computational resources. Moreover, recent pre-trained visual foundation models (VFMs) have achieved promising success in a variety of visual recognition tasks with the aid of parameter-efficient finetuning techniques by tuning only a few trainable parameters, rather than traditional full finetuning techniques by updating all pre-trained parameters. Therefore, we transfer the pre-trained VFM with adapter learning paradigm (VFM-Adapter) techniques to automatic PD recognition based on OCT images. To be specific, by freezing pretrained parameters of VFMs, we introduce three lightweight adapters: global adapter, local adapter, and token-wise adapter, to effectively leverage the transferability of feature representations from VFMs to OCT images for equipping VFMs with strong PD recognition capability. The results on the clinical OCT-PD dataset show that our proposed VFM-Adapter can achieve competitive or even better PD recognition performance through comparisons to state-of-the-art DNNs with substantially fewer tunable parameters.
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.