🛞 به Deep Dive این هفته خوش آمدید!

در این قسمت به صورت جزئی و با زبانی ساده به بررسی متد و روش انجام جذاب مطالعه "ایجاد یک مدل هوش مصنوعی برای تخمین عملکرد ریوی (FVC و FEV1) از اشعه ایکس قفسه سینه" پرداخته‌ایم.

🔗 لینک مقاله

فهرست مطالبی که در این سری خواهید خواند:
🫁 بخش پزشکی مطالعه
🤖 بخش توسعه مدل هوش مصنوعی
❓ بخش تست مدل هوش مصنوعی



آپ‌تودیت هوش مصنوعی پزشکی ✉️

#آموزشی
#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

🫁 بخش پزشکی

➕تعریف FEV1 یا (Forced expiratory volume in 1 second): میزان هوایی است که در اولین ثانیه یک بازدم بسیار عمیق می‌توانید خارج کنید. تصور کنید که می‌خواهید شمع‌های روی یک کیک تولد را با تمام توان فوت کنید—مقدار هوایی که در آن اولین ثانیه خارج می‌کنید، FEV1 شماست.

➕تعریف FVC یا (Forced vital capacity): کل مقدار هوایی است که می‌توانید پس از یک بازدم عمیق کامل خارج کنید. بنابراین، بعد از اینکه شمع‌ها را فوت کردید، همچنان به فوت کردن ادامه دهید تا زمانی که ریه‌هایتان خالی شود—این مقدار FVC شماست.

➕نسبت FEV1/FVC یک راه برای دیدن این است که چقدر از کل هوای ریه‌های خود را می‌توانید در فقط یک ثانیه خارج کنید (FEV1).

- اگر این نسبت بالا باشد، به این معناست که شما بیشتر هوای موجود در ریه خود را در اولین ثانیه خارج می‌کنید که این طبیعی است.
- اگر این نسبت پایین باشد، ممکن است به این معنا باشد که چیزی راه‌های هوایی شما را مسدود یا تنگ کرده و باعث شده که خارج کردن هوا به سرعت سخت‌تر شود. این اتفاق ممکن است در شرایطی مانند آسم یا COPD (بیماری مزمن انسدادی ریه) رخ دهد.


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#آموزشی
#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

🤖 بخش توسعه مدل هوش مصنوعی

۱. توسعه مدل هوش مصنوعی:
◀️پیش‌بینی FVC و FEV1: هدف این مدل هوش مصنوعی پیش‌بینی دو شاخص مهم عملکرد ریه، FVC و FEV1، از تصاویر اشعه ایکس قفسه سینه است. این مقادیر برای ارزیابی سلامت تنفسی بسیار اهمیت دارند.

◀️شبکه ConvNeXt22 به عنوان استخراج‌کننده ویژگی: ConvNeXt22 نوعی شبکه عصبی CNN است که به عنوان استخراج‌کننده ویژگی‌ها در این مدل استفاده شده است. استخراج‌کننده ویژگی‌ها الگوها و خصوصیات مهم در تصاویر (در اینجا، تصاویر اشعه ایکس قفسه سینه) را شناسایی می‌کند.

۲. معماری مدل:
◀️دو classifier یا طبقه‌بندی‌کننده: پس از استخراج ویژگی‌ها با استفاده از ConvNeXt22، مدل دارای دو classifier جداگانه است. هر classifier مسئول تخمین یکی از دو مقدار عملکرد ریه، FVC یا FEV1، است.

◀️لایه‌های کاملاً متصل و توابع خطا: هر classifier شامل یک لایه کاملاً متصل است که یک لایه استاندارد در شبکه‌های عصبی است، جایی که هر ورودی به هر خروجی متصل است. این لایه‌ها پیش‌بینی‌هایی برای FVC و FEV1 تولید می‌کنند.

◀️توابع خطا (Loss function): مدل از توابع خطا برای اندازه‌گیری تفاوت بین مقادیر پیش‌بینی‌شده و مقادیر واقعی استفاده می‌کند. انواع توابع خطا در اینجا عبارتند از:
- خطای جذر میانگین مربعات (RMSE): میزان جذر میانگین مربعات تفاوت‌های بین مقادیر پیش‌بینی‌شده و واقعی را اندازه‌گیری می‌کند.
- میانگین مربع خطا (MSE): میانگین مربعات تفاوت‌ها را اندازه‌گیری می‌کند.
- میانگین خطای مطلق (MAE): میانگین تفاوت‌های مطلق را اندازه‌گیری می‌کند.

۳. آموزش و بهینه‌سازی:
◀️جمع‌بندی خطاها: دو مقدار خطا از classifierها (یکی برای FVC و یکی برای FEV1) با هم جمع می‌شوند تا یک مقدار خطای کلی بدست آید. این مقدار خطای کلی برای به‌روزرسانی وزن‌های مدل در طول آموزش استفاده می‌شود تا پیش‌بینی‌ها بهبود یابد.

◀️انتخاب مدل: مدل هوش مصنوعی در طی ۳۰۰ epoch (هر epoch یک چرخه آموزشی کامل روی کل داده‌ها است) آموزش داده می‌شود. مدلی که کمترین خطای کلی روی مجموعه داده اعتبارسنجی دارد، به عنوان بهترین مدل انتخاب می‌شود.

۴. وضوح تصویر و آزمایش عملکرد:
◀️عملکرد مدل با استفاده از وضوح‌های مختلف تصاویر (128، 256، 512 و 1024 پیکسل) مورد آزمایش قرار گرفت تا وضوحی که بالاترین دقت را فراهم می‌کند، شناسایی شود.

۵. پیاده‌سازی:
◀️مدل با استفاده از PyTorch، که یک کتابخانه محبوب و متن‌باز برای یادگیری ماشین است، پیاده‌سازی شد.


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#آموزشی
#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

❓ بخش تست مدل هوش مصنوعی

۱. ارزیابی عملکرد:
◀️مجموعه‌های داده آزمایشی داخلی و خارجی: بهترین مدل هوش مصنوعی بر روی مجموعه‌های داده آزمایشی داخلی (داده‌هایی از همان منبعی که داده‌های آموزشی از آن گرفته شده بود) و خارجی (داده‌هایی از منابع مختلف) آزمایش شد تا دقت و قابلیت تعمیم‌پذیری آن تضمین شود.

◀️معیارهای ارزیابی: پیش‌بینی‌های مدل برای FVC و FEV1 با مقادیر واقعی که از اسپیرومتری (یک آزمایش رایج عملکرد ریه) به دست آمده بودند، مقایسه شدند. اختلاف بین مقادیر پیش‌بینی‌شده و واقعی برای ارزیابی عملکرد مدل محاسبه شد.

۲. نقشه‌های برجستگی (Saliency Maps) و تفسیر:
◀️منطقه مورد علاقه (ROI): برای درک اینکه مدل هنگام انجام پیش‌بینی‌ها بر کدام بخش‌های تصاویر اشعه ایکس قفسه سینه تمرکز کرده است، نقشه‌های برجستگی ایجاد شدند. این نقشه‌ها نواحی از تصویر را که بیشترین تأثیر را در فرآیند تصمیم‌گیری مدل داشتند، برجسته می‌کنند.

◀️۱۰٪ برتر و پایین‌تر پیش‌بینی‌ها: تصاویری که مربوط به ۱۰٪ برتر (دقیق‌ترین) و ۱۰٪ پایین‌تر (کم‌دقت‌ترین) پیش‌بینی‌های FVC و FEV1 بودند، از مجموعه داده آزمایشی خارجی انتخاب شدند.

◀️میانگین‌گیری تصاویر: برای هر گروه به صورت جداگانه (۱۰٪ برتر و ۱۰٪ پایین‌تر)، همه تصاویر با هم ترکیب و سپس میانگین‌گیری شد. این کار دو تصویر واحد ایجاد کرد که ویژگی‌های مشترک پیش‌بینی‌های برتر و پایین‌تر را نشان می‌دهد. این دو تصویر نشان‌دهنده نواحی اند که classifier در پیش‌بینی‌های برتر یا پایین‌تر معمولاً بر روی آن‌ها تمرکز می‌کند.

۳. استفاده از SHAP برای نقشه‌های برجستگی:
◀️روش SHAP یا (SHapley Additive exPlanations): در اینجا SHAP روشی است که خروجی مدل‌های یادگیری ماشین را با اختصاص اهمیت به هر ویژگی (در این مورد، هر پیکسل در تصویر) توضیح می‌دهد. SHAP بر اساس نظریه بازی‌های تعاونی است، جایی که هر "بازیکن" (پیکسل) به "نتیجه بازی" (پیش‌بینی مدل) کمک می‌کند.

◀️هدف از SHAP: با استفاده از SHAP، محققان نقشه‌های برجستگی‌ای ایجاد کردند که نشان می‌دهند کدام پیکسل‌ها در تصویر اشعه ایکس بیشترین تأثیر را در پیش‌بینی مدل داشتند، که این امر شفافیت و قابل‌فهم بودن تصمیمات مدل را افزایش می‌دهد.

۴. اهمیت بالینی:
◀️ارزیابی رادیولوژیست‌ها: رادیولوژیست‌های مستقل، نقشه‌های برجستگی ایجادشده از مجموعه داده خارجی را بررسی کردند. آنها به دنبال یافته‌های بالینی ارزشمند—مناطق خاصی در تصاویر که در پیش‌بینی FVC و FEV1 مؤثر بودند—بودند.

◀️تأیید یافته‌ها: ارزیابی‌های رادیولوژیست‌ها کمک کرد تا مشخص شود که آیا مناطقی که توسط مدل برجسته شده‌اند با ویژگی‌های بالینی معنادار همخوانی دارند یا خیر، تا اطمینان حاصل شود که تمرکز مدل بر روی نواحی مرتبط با عملکرد واقعی ریه بوده است.


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#آموزشی
#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

🫡Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)

◀️یک سیستم یادگیری عمیق (DL) جدید طراحی شده که می‌تواند به پزشکان کمک کند تا تفسیر اکوکاردیوگرافی از طریق قفسه سینه (TTE) را بهبود بخشند، به ویژه در ارزیابی نارسایی میترال (MR)، که یکی از شایع‌ترین بیماری‌های دریچه قلب است. این سیستم DL به طور هوشمند مطالعات کامل TTE را بررسی می‌کند و شدت نارسایی میترال را در یک مقیاس ۴ مرحله‌ای (بدون/جزئی، خفیف، متوسط، شدید) با استفاده از نتایج کاردیولوژیست‌ها به عنوان مرجع، تعیین می‌کند.

◀️آزمایش‌ها بر روی مجموعه‌های داده گسترده داخلی (۸۹۸۷ TTE) و خارجی (۸۲۰۸ TTE) نشان داد که این مدل عملکرد بسیار خوبی دارد (۸۲٪ داخلی، ۷۹٪ خارجی) و با پزشکان هماهنگی بالایی دارد (κ=0.84 و κ=0.80 به ترتیب)، به ویژه در تشخیص نارسایی میترال متوسط تا شدید (AUC برابر ۰.۹۸). این سیستم با استفاده از نماهای مختلف TTE کمی دقیق‌تر عمل کرد و همچنین در مدل طبقه‌بندی ۶ مرحله‌ای که شامل سطوح میانه نارسایی میترال است، موثر بود.

◀️این سیستم DL به پزشکان این امکان را می‌دهد که با دقت بیشتری شدت نارسایی میترال را ارزیابی کنند و در نهایت به بهبود مراقبت از بیماران کمک کند.

🌐 لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

🔍 در ادامه صحبت درمورد متریک‌های ارزیابی مدل‌های هوش مصنوعی پزشکی به حساسیت رسیدیم!

حساسیت - Sensitivity یا (Recall)

⬅️ تعریف: حساسیت، نسبت موارد مثبت واقعی را که به درستی توسط مدل شناسایی شده‌اند، اندازه‌گیری می‌کند (به عنوان مثال، نسبت بیمارانی که به درستی به عنوان بیمار شناسایی شده‌اند). برای مثال مدلی که حساسیت ۸۸٪ دارد، یعنی از ۱۰۰ بیمار توانایی شناسایی ۸۸ نفر آنها را دارد و ۱۲ نفر دیگر را سالم ارزیابی می‌کند.

⬅️ اهمیت: تشخیص زودهنگام- حساسیت بالا به‌ویژه در سناریوهای پزشکی که از دست دادن یک مورد مثبت می‌تواند پیامدهای جدی داشته باشد، مانند غربالگری سرطان که تشخیص زودهنگام می‌تواند برای نتایج بیماران حیاتی باشد، اهمیت دارد. همچنین در تشخیص بیماری‌هایی مانند سل یا کووید-۱۹، حساسیت بالا تضمین می‌کند که بیشتر بیماران مبتلا به بیماری به سرعت شناسایی و درمان می‌شوند.

⬅️ در چه سناریوهای پزشکی باید حساسیت را اولویت قرار داد:
- هزینه از دست دادن یک تشخیص بالا است (مثلاً شرایط تهدیدکننده حیات).
- بیماری در صورت تشخیص زودهنگام قابل درمان است، اما تأخیر در تشخیص می‌تواند منجر به نتایج ضعیف شود.
- آزمایش‌های پیگیری نسبتاً ارزان و غیر تهاجمی هستند، به این معنا که داشتن تعداد بیشتری مثبت کاذب قابل قبول است تا زمانی که مثبت‌های واقعی به حداکثر برسند.


آموزش هوش مصنوعی پزشکی 👍

#آموزشی
#محتوای_اختصاصی

➡️ @maiaSBMU

🫡Retrieval-Augmented Generation–Enabled GPT-4 for Clinical Trial Screening


◀️فرآیند غربالگری شرکت‌کنندگان در مطالعات بالینی اغلب دشوار و زمان‌بر است. برای ساده‌سازی این فرآیند، محققان از مدل‌های زبانی پیشرفته مانند GPT-4 استفاده کرده‌اند. در این مطالعه، یک سیستم جدید به نام RECTIFIER که ترکیبی از GPT-4 با فناوری Retrieval-Augmented Generation (RAG) است، توسعه داده شد تا به غربالگری بیماران مبتلا به نارسایی قلبی علامت‌دار برای مطالعه COPILOT-HF کمک کند.

◀️سیستم RECTIFIER در مقایسه با روش‌های سنتی غربالگری دستی که توسط کارکنان مطالعه انجام می‌شد، آزمایش شد. این سیستم با استفاده از یادداشت‌های بالینی بیش از ۲۰۰۰ بیمار آموزش و اعتبارسنجی شد. نتایج نشان داد که RECTIFIER با تصمیمات پزشکان متخصص بسیار همخوانی دارد و تا ۱۰۰٪ دقت داشته و در تشخیص نارسایی قلبی علامت‌دار عملکرد بهتری نسبت به غربالگری دستی نشان داده است.

◀️این سیستم همچنین از نظر هزینه مقرون‌به‌صرفه بود و هزینه غربالگری را به ازای هر بیمار به ۲ سنت کاهش داد. اگرچه RECTIFIER پتانسیل بهبود دقت و کارایی غربالگری در آزمایشات بالینی را دارد، اما برای اطمینان از ایمنی و قابلیت اطمینان، ادغام آن باید با احتیاط و شامل بازبینی نهایی توسط پزشک انجام شود.

🌐 لینک مقاله

آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

🔍 بعد از صحبت درمورد دقت و حساسیت در متریک‌های ارزیابی مدل‌های هوش مصنوعی پزشکی، حالا به ویژگی می‌رسیم!

ویژگی - Specificity

⬅️ تعریف: ویژگی میزان دقت مدل در تشخیص صحیح منفی‌های واقعی را اندازه‌گیری می‌کند (برای مثال، نسبت افرادی که سالم هستند و به درستی به عنوان افرادی که بیماری ندارند شناسایی می‌شوند). برای مثال مدلی که ویژگی ۹۴٪ دارد، یعنی از ۱۰۰ نفر که به بیماری سرطان مبتلا نیستند، ۹۴ نفر را به درستی غیر بیمار و ۶ نفر را بیمار اعلام می‌کند.

⬅️ اهمیت: جلوگیری از درمان‌های غیرضروری و کاهش هزینه‌های بهداشتی- ویژگی بالا در مواردی که یک مثبت کاذب می‌تواند منجر به درمان‌های غیرضروری، پروسه‌های تهاجمی یا استرس بی‌مورد برای بیمار شود، حیاتی است. به عنوان مثال، در غربالگری سرطان، ویژگی بالا تضمین می‌کند که بیماران فاقد سرطان به اشتباه تحت آزمایش‌ها یا درمان‌های بیشتر قرار نمی‌گیرند.

⬅️ در چه سناریوهای پزشکی باید ویژگی را اولویت قرار داد:
- هزینه یا خطر مرتبط با مثبت کاذب بالا است (مثلاً جراحی‌های غیرضروری، درمان‌های مضر).
بیماری مورد بررسی نادر است و یک نتیجه مثبت نیاز به آزمایش تأییدی یا پیگیری‌های قابل توجه دارد.
مهم است که تعداد بیمارانی که به اشتباه به عنوان مبتلا به بیماری شناسایی می‌شوند به حداقل برسد، زیرا این می‌تواند به اضطراب، انگ اجتماعی یا عواقب منفی دیگر منجر شود.


آموزش هوش مصنوعی پزشکی 👍

#آموزشی
#محتوای_اختصاصی

➡️ @maiaSBMU

💡 مرور مقالات بررسی شده هفته اخیر


📌 Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)

⚡️ پیامدهای چشمگیر:
- فراهم آوردن امکان ارزیابی شدت نارسایی میترال با دقت بیشتر.
- کمک به بهبود مراقبت از بیماران.

📌 Retrieval-Augmented Generation–Enabled GPT-4 for Clinical Trial Screening

⚡️ پیامدهای چشمگیر:
- سیستمی مقرون‌به‌صرفه از نظر هزینه و کاهش هزینه غربالگری به ۲ سنت به ازای هر بیمار.
- اگرچه این سیستم پتانسیل بهبود دقت و کارایی غربالگری در آزمایشات بالینی را دارد، اما برای اطمینان از ایمنی و قابلیت اطمینان، ادغام آن باید با احتیاط و شامل بازبینی نهایی توسط پزشک انجام شود.


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

#ببینیم

🖥 یادگیری ماشین در کشف دارو (Structure Based Drug Discovery)

در مدرسه تابستانی MoML 2024

🔗 https://youtu.be/0EmYfNG0PvA?si=chuqKuKaTzITXEUs

#آموزشی
#محتوای_اختصاصی

➡️ @maiaSBMU

#خبر_مهم

🆕 انستیتوی ایمنی هوش مصنوعی آمریکا (US AISI) با شرکت‌های Anthropic و OpenAI توافقنامه‌هایی امضا کرده تا در زمینه پژوهش، آزمایش و ارزیابی ایمنی هوش مصنوعی همکاری کنند. این توافقنامه‌ها به انستیتو اجازه می‌دهد تا مدل‌های جدید هوش مصنوعی این شرکت‌ها را پیش و پس از انتشار عمومی بررسی و مطالعه کند، با تمرکز بر ارزیابی قابلیت‌ها، شناسایی خطرات ایمنی، و یافتن راه‌های کاهش این خطرات.

🔗 https://www.nist.gov/news-events/news/2024/08/us-ai-safety-institute-signs-agreements-regarding-ai-safety-research

#محتوای_اختصاصی

➡️ @maiaSBMU

🛞 به Deep Dive این هفته خوش آمدید!

در این قسمت به صورت جزئی و با زبانی ساده به بررسی متد و روش انجام جذاب مطالعه "Deep Learning for Echo Analysis, Tracking, and Evaluation of Mitral Regurgitation (DELINEATE-MR)" پرداخته‌ایم.

🔗 لینک مقاله

فهرست مطالبی که در این سری خواهید خواند:
🤖 توسعه مدل یادگیری عمیق
❓ عملکرد و ارزیابی مدل / مقایسه مدل‌های تک‌نما و چندنما / تحلیل موارد ناهماهنگ


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#آموزشی
#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

🤖 توسعه مدل یادگیری عمیق

1️⃣ساختار 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.

2️⃣آموزش 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.

3️⃣بهبود 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

➡️ @maiaSBMU

❓ عملکرد و ارزیابی مدل / مقایسه مدل‌های تک‌نما و چندنما / تحلیل موارد ناهماهنگ


⚡️عملکرد و ارزیابی مدل

1️⃣اندازه‌گیری دقت:
برای بررسی کیفیت عملکرد مدل، میزان دقت آن در شناسایی شدت نارسایی میترال را با ارزیابی‌های کاردیولوژیست‌های خبره مقایسه کردند. آنها از دو معیار اصلی استفاده کردند:
- کاپای وزنی (κ): این یک آمار است که نشان می‌دهد چقدر نتایج مدل با ارزیابی‌های کاردیولوژیست‌ها همخوانی دارد. مقدار بالاتر به معنای توافق بهتر است.
- ناحیه زیر منحنی مشخصه عملکرد گیرنده (AUROC): این معیار نشان می‌دهد مدل چقدر خوب می‌تواند بین سطوح مختلف شدت نارسایی میترال تمایز قائل شود. مقدار بالاتر AUROC نشان‌دهنده دقت بیشتر مدل در پیش‌بینی صحیح است.

2️⃣دقت مدل در طبقه‌بندی شدت نارسایی میترال در مجموعه تست داخلی ۸۲٪ و در مجموعه تست خارجی ۷۹٪ بود.

3️⃣تحلیل‌های زیرمجموعه:
آن‌ها به انواع مختلف نارسایی میترال نگاه کردند تا ببینند آیا مدل عملکرد متفاوتی دارد یا خیر. مثلاً بررسی کردند که آیا مدل در تشخیص نارسایی میترال اولیه نسبت به نارسایی میترال ثانویه یا انواع مختلف آن (مانند نارسایی میترال اگزانتریک) بهتر یا بدتر عمل می‌کند.
این کار کمک می‌کند تا بفهمند آیا مدل برای تمامی انواع نارسایی میترال به طور یکسان عملکرد خوبی دارد یا نیاز به بهبود در برخی زمینه‌ها دارد.


⚡️مقایسه مدل‌های تک‌نما و چندنما

1️⃣مدل تک‌نما: این مدل تنها از یک نوع نما از اکوکاردیوگرام استفاده می‌کند، به‌ویژه نمای ۴-حجره‌ای اپیکال. مدل به این نما نگاه می‌کند تا شدت نارسایی میترال را ارزیابی کند. از آنجایی که به یک نما تکیه می‌کند، ممکن است جزئیات مهمی که در نماهای دیگر قابل مشاهده است را از دست بدهد.

2️⃣مدل چندنما: این مدل از چندین نما از اکوکاردیوگرام استفاده می‌کند و تنها به نمای ۴-حجره‌ای اپیکال محدود نمی‌شود. اطلاعات را از زوایای مختلف و کلیپ‌های متنوع قلب ترکیب می‌کند. با نگاه به نماهای مختلف، مدل می‌تواند تصویر کامل‌تری از نارسایی میترال به دست آورد که منجر به ارزیابی دقیق‌تری می‌شود.

3️⃣نتایج مقایسه: آن‌ها عملکرد مدل تک‌نما را با مدل چندنما مقایسه کردند. مدل چندنما کمی بهتر عمل کرد. این به معنای آن است که این مدل دقت بیشتری در ارزیابی شدت نارسایی میترال داشت زیرا اطلاعات بیشتری از زوایای مختلف داشت.


⚡️تحلیل موارد ناهماهنگ

موارد ناهماهنگ موقعیت‌هایی هستند که ارزیابی شدت نارسایی میترال توسط مدل یادگیری عمیق با ارزیابی‌های کاردیولوژیست‌های خبره مطابقت ندارد. به عبارت دیگر، بین آنچه مدل می‌گوید و آنچه کارشناسان انسانی می‌گویند، اختلاف نظر وجود دارد.

برای این موارد ناهماهنگ، جایی که نظرات مدل و کاردیولوژیست‌ها هم‌راستا نبود، یک گروه متخصص به دقت این موارد را بررسی کرد. کارشناسان این موارد را بررسی کردند تا بفهمند چرا اختلاف نظر وجود دارد و ببینند آیا پیش‌بینی‌های مدل دقیق است یا مشکلاتی وجود دارد که باید برطرف شوند.

با تحلیل این موارد، محققان می‌توانند الگوها یا اشتباهات احتمالی مدل را شناسایی کنند. این کمک می‌کند تا عملکرد مدل بهبود یابد و مطمئن شود که مدل قابل اعتماد است.


آپ‌تودیت هوش مصنوعی پزشکی ✉️

#آموزشی
#پژوهشی
#محتوای_اختصاصی

➡️ @maiaSBMU

‼️ فراخوان پژوهشگر جهت همکاری در طرح پژوهشی

📥 فراخوان همکاری در طرح پژوهشی "هوش مصنوعی در بیهوشی و ICU" انجمن هوش مصنوعی پزشکی

در صورت تمایل برای پیوستن به طرح پژوهشی "هوش مصنوعی در بیهوشی و ICU" لطفا رزومه خود را به آیدی ادمین ارسال فرمایید:
📍 @askmaia


🚀 @maiaSBMU

📣عزیزانی که مایل به گذروندن سرباز نخبگی خود در «مرکز تحقیقات هوش مصنوعی در سلامت» دانشگاه علوم پزشکی شهید بهشتی واقع در بیمارستان شهدای تجریش هستن، لطفاً رزومه خودشون رو به آیدی درج شده ارسال کنن:
@madflh

⚠️لطفاً در صورتی که از واجد شرایط بودن خودتون مطمئن هستید پیام بدید، و به این جهت می‌تونید از آیین‌نامه‌ها یا کارشناسان مربوطه کمک بگیرید. ما اطلاعات و مسئولیتی در این باره نداریم!

➡️ @mahdiandai
➡️ @maiaSBMU