เครือข่ายประสาทเทียมที่สามารถระบุพื้นที่ของการติดเชื้อในปอดของ COVID-19 ในการสแกน CT ได้รับการพัฒนาโดยนักวิจัยในสหราชอาณาจักรและจีน แม้ว่าจะได้รับการฝึกอบรมเกี่ยวกับภาพของผู้ป่วยที่มีสุขภาพดีเท่านั้น เครื่องมือนี้ยังสามารถใช้เพื่อสร้างข้อมูลหลอกเพื่อฝึกใหม่และปรับปรุงโมเดลการแบ่งส่วนอื่นๆหนึ่งในวิกฤตด้านสุขภาพที่สำคัญที่สุดของศตวรรษที่ผ่านมา การระบาดใหญ่ของโควิด-19
คาดว่าจะมี
ผู้ติดเชื้อมากกว่า 250 ล้านคนทั่วโลก นับตั้งแต่เกิดขึ้นครั้งแรกในเดือนธันวาคม 2019 ดังที่เราทุกคนได้เรียนรู้ในช่วงสองปีที่ผ่านมา การยับยั้งการแพร่กระจายของไวรัสโคโรนานั้นขึ้นอยู่กับการทดสอบและการกักกันผู้ติดเชื้อที่มีประสิทธิภาพการสแกน CT เป็นเครื่องมือวินิจฉัยที่สำคัญ และเป็นเครื่องมือ
ที่มีศักยภาพในการเป็นทั้งทางเลือกแทนการทดสอบปฏิกิริยาลูกโซ่โพลิเมอเรสแบบย้อนกลับ ในกรณีที่มีข้อจำกัด เช่นเดียวกับการจัดเตรียมวิธีการตรวจหา PCR เชิงลบที่ผิดพลาด .อย่างไรก็ตาม ปัญหาของการใช้ซีทีสแกนดังกล่าวคือต้องพึ่งพานักรังสีวิทยาที่ผ่านการฝึกอบรมมาในการแปลความหมาย
และความต้องการที่เพิ่มขึ้นในจุดที่มีการระบาดจะเพิ่มความเครียดให้กับบริการทางการแพทย์ในท้องถิ่น ทางออกหนึ่งคือการใช้ปัญญาประดิษฐ์ที่ใช้การเรียนรู้เชิงลึกเพื่อวิเคราะห์ภาพ ซึ่งจะช่วยให้แพทย์ตรวจหา COVID-19 ได้เร็วขึ้น และยังลดระดับความเชี่ยวชาญที่จำเป็นในการดำเนินการดังกล่าวด้วย
ในขณะที่การศึกษาต่างๆ แสดงให้เห็นถึงศักยภาพของการเรียนรู้เชิงลึกเพื่อช่วยในการจำแนกโรคในภาพ CT แต่มีเพียงไม่กี่รายที่ตรวจสอบความสามารถในการทำให้ตำแหน่งของโรคเป็นไปโดยอัตโนมัติ อย่างไรก็ตาม ความท้าทายในการใช้การเรียนรู้เชิงลึกเพื่อทำงานนี้ให้สำเร็จนั้นมาจากความขาดแคลน
ของชุดข้อมูลที่มีคำอธิบายประกอบสำหรับฝึกโครงข่ายประสาทเทียมในการศึกษาของพวกเขา นักวิทยาศาสตร์คอมพิวเตอร์และเพื่อนร่วมงานได้เสนอเฟรมเวิร์กการเรียนรู้เชิงลึกใหม่ภายใต้การดูแลอย่างอ่อน ซึ่งมีชื่อว่า เฟรมเวิร์กประกอบด้วยโมเดลโครงข่ายประสาทเทียมชื่อ “WVAE”
ซึ่งใช้วิธีการไล่
ระดับสีสำหรับการแปลความผิดปกติ WVAE ทำงานโดยการแปลงและกู้คืนข้อมูลต้นฉบับเพื่อเรียนรู้เกี่ยวกับคุณสมบัติที่แฝงอยู่ ซึ่งจะช่วยให้สามารถระบุบริเวณที่ผิดปกติได้แนวทางของทีมคือ “ควบคุมดูแลอย่างเข้มงวด” เพราะพวกเขาใช้เฉพาะภาพควบคุมที่ดีต่อสุขภาพในการฝึกโมเดล WVAE ของพวกเขา
แทนที่จะผสมผสานระหว่างการสแกน CT จากผู้ป่วยที่มีสุขภาพดีและติดเชื้อโคโรนาไวรัส ชุดข้อมูลหลักของการศึกษาประกอบด้วย CT scan จากผู้ป่วย 66 รายที่ได้รับการวินิจฉัยว่าเป็น COVID-19 ที่โรงพยาบาล ในเมืองประเทศจีน และผู้ตรวจสุขภาพที่มีสุขภาพแข็งแรง 66 คนเป็นตัวควบคุม
นักวิจัยพบว่าแบบจำลอง WVAE สามารถสร้างแผนที่ความสนใจคุณภาพสูงจากการสแกน CT โดยมีเส้นขอบที่ละเอียดรอบบริเวณปอดที่ติดเชื้อ และผลการแบ่งส่วนเทียบเคียงได้กับแบบจำลองการแบ่งส่วนแบบธรรมดาที่มีการควบคุมดูแล ซึ่งมีประสิทธิภาพดีกว่าช่วงที่มีอยู่อย่างอ่อนแอ ภายใต้การดูแลของวิธี
“การศึกษา
ของเราให้หลักฐานแนวคิดสำหรับการแบ่งกลุ่มที่มีการควบคุมดูแลอย่างเข้มงวด และเป็นแนวทางทางเลือกในการบรรเทาการขาดคำอธิบายประกอบ ในขณะที่ความเป็นอิสระจากกรอบการจัดหมวดหมู่และการแบ่งกลุ่มทำให้สามารถรวมเข้ากับระบบที่มีอยู่ได้อย่างง่ายดาย” กล่าว
เมื่อการศึกษาเบื้องต้นเสร็จสิ้นแล้ว นักวิจัยกำลังค้นหาวิธีการต่างๆ เพื่อนำมาใช้ในกรอบการทำงานของพวกเขา“แม้ว่าวิธีการไล่ระดับสีจะให้ประสิทธิภาพการแปลความผิดปกติที่ดีในกรณีของเรา แต่ก็เป็นวิธีหลังเฉพาะกิจ ซึ่งพยายามตีความโมเดลหลังจากที่ได้รับการฝึกฝนแล้ว และ WVAE ก็ยังคงเป็นกล่องดำ
อธิบาย “เราวางแผนที่จะพิจารณาวิธีการสำรวจที่อาจทำให้ WVAE สามารถตีความโดยเนื้อแท้ได้ และใช้ประโยชน์จากความสามารถในการตีความนั้นสำหรับงานต่างๆ เช่น การโลคัลไลเซชันที่ผิดปกติ และการสร้างข้อมูลการแบ่งส่วนหลอก”การแปลที่ผิดปกติ นอกจากนี้ พวกเขายังสามารถใช้ข้อมูลหลอก
ใกล้เคียงกับสถานการณ์กรณีที่ดีที่สุด ซึ่งเป็นตัวอย่างที่จำลองโดยไม่มีการซ้อนทับ ตอนนี้พวกเขาวางแผนที่จะทดสอบ PUMA โดยใช้ข้อมูลจริงจากตัวตรวจจับย่อยหนึ่งตัวที่จะติดตั้งใน CMS อย่างไรก็ตาม Maier ชี้ให้เห็นว่าสำหรับการปรับปรุงทั้งหมดเหนือแผนของคู่แข่ง อัลกอริทึมใหม่ยังคงขัดแย้ง
ในฝรั่งเศส ซึ่งไม่ได้เกี่ยวข้องกับการวิจัยล่าสุด ยินดีกับ “ผลลัพธ์ที่ยอดเยี่ยม” โดยชี้ให้เห็นว่าการเรียนรู้ด้วยเครื่องออกแบบทำให้ใช้ข้อมูลที่หลากหลายกว่าเทคนิคทั่วไป แต่เขาเสริมว่าเป็นการยากที่จะเข้าใจว่าเครือข่ายนี้และโครงข่ายประสาทเทียมอื่น ๆ ได้รับ “อำนาจการแยกแยะ” มาจากไหน
ทำให้เขาโต้แย้งว่ายากที่จะระบุอคติที่ไม่ต้องการในอัลกอริทึม “ในทางวิทยาศาสตร์ จะดีกว่าเสมอที่จะเข้าใจบางสิ่งอย่างครอบคลุมที่สุดเท่าที่จะเป็นไปได้” เขากล่าวกับกรณีที่ดีที่สุด “สำหรับการวิจัยในอนาคตเพื่อดูว่ายังขาดอะไรอยู่ในโมเดล” เขากล่าวซึ่งเป็นศูนย์เมื่อโปรตอนที่ชนกันบินเข้าหากัน
และบรรลุผลสำเร็จตามวัตถุประสงค์การทดสอบ Mach 5 ซึ่งแสดงให้เห็นว่าพรีคูลเลอร์สามารถดับอุณหภูมิการไหลของอากาศที่เกิน 1,000 °C ในเวลาน้อยกว่า 50 มิลลิวินาที การทดสอบแสดงให้เห็นความสามารถของพรีคูลเลอร์ในการระบายความร้อนของอากาศด้วยความเร็วที่สูงกว่าขีดจำกัด
การปฏิบัติงานของเครื่องบินที่ขับเคลื่อนด้วยเครื่องยนต์ไอพ่นลำใดๆ ในประวัติศาสตร์ วิ่งได้มากกว่าสองเท่าของเงื่อนไขการปฏิบัติงาน และมากกว่าหนึ่งเท่าครึ่งของเงื่อนไขของ SR71 ดังนั้นเทคโนโลยีพรีคูลเลอร์ที่โดดเด่นนี้จึงไม่เพียงเป็นกุญแจสำคัญสำหรับเครื่องยนต์ SABER เท่านั้น แต่ยังนำเสนอโซลูชันระบบขับเคลื่อนสำหรับเครื่องบินมัคสูงและความเร็วเหนือเสียงที่ยังคงอยู่ในชั้นบรรยากาศ
credit: coachwebsitelogin.com assistancedogsamerica.com blogsbymandy.com blogsdeescalada.com montblanc–pens.com getthehellawayfromsalliemae.com phtwitter.com shoporsellgold.com unastanzatuttaperte.com servingversusselling.com
