Diabetik makula ödemi tip 2 diabetli şəxslərdə görmə itkisinə səbəb ola bilən mühüm tor qişa ağırlaşmasıdır. Makula tor qişanın mərkəzi görməyə cavabdeh sahəsidir. Diabetik makula ödemində bu bölgədə tor qişa qalınlaşması və hüceyrədənkənar maye toplanması müşahidə olunur. Tədqiqatda bu vəziyyətin dünya üzrə bildirilən prevalensinin %3,2 ilə %11 arasında dəyişə bildiyi qeyd olunur. Həmçinin diabet müddəti uzandıqca risk artsa da, xəstəliyin erkən dövrlərində də diabetik makula ödemi yarana bildiyi üçün erkən aşkarlanmanın oftalmoloji idarəetmədə vacib olduğu vurğulanır.

Ənənəvi klinik qiymətləndirmədə diabetik makula ödeminin diaqnozu optik koherens tomoqrafiya, yəni OCT nəticələrinə əsaslanır. Bu tədqiqatda da diabetik makula ödemi diaqnozu sertifikatlı oftalmoloqlar tərəfindən OCT-də diffuz tor qişa qalınlaşması, hüceyrədənkənar maye toplanması, kistoid boşluqlar və ya struktur dəyişiklikləri kimi tapıntılara əsasən qoyulub. Buna görə tədqiqatdakı bERG əsaslı təsnifat klinik diaqnozu əvəz edən müstəqil qəti diaqnostik metod kimi deyil, mövcud klinik görüntüləmə və qiymətləndirmə yanaşmalarını tamamlaya biləcək biosiqnal əsaslı təsnifat problemi kimi nəzərdən keçirilib.

Tədqiqatın mərkəzindəki biosiqnal bazal elektroretinoqramdır. Klassik elektroretinoqram tətbiqlərində tor qişaya işıq stimulu verilir və tor qişanın bu stimula elektrik cavabı ölçülür. Bazal elektroretinoqramda isə xarici vizual stimul verilmədən, fotopik, yəni gündüz işığı şəraitində tor qişanın spontan elektrik aktivliyi qeydə alınır. Bu baxımdan bERG tor qişa funksiyasındakı daxili dalğalanmaları tutmağa çalışan qeyri-invaziv ölçmə yanaşmasıdır. Tədqiqatda bERG-nin daşına bilən ERG cihazları və dəri elektrodları ilə qeydə alına bildiyi üçün tor qişa skrininqi və erkən funksional pozulmanın aşkarlanması baxımından praktik potensial daşıdığı qeyd olunur.

Lakin bERG siqnallarının avtomatik təsnifatda istifadəsini çətinləşdirən iki əsas problem var. Birincisi məlumat azlığıdır. Müəyyən tor qişa xəstəliklərinə malik yaxşı müəyyənləşdirilmiş xəstə qruplarından keyfiyyətli biosiqnal qeydi toplamaq vaxt, maliyyət və klinik əməkdaşlıq tələb edir. İkincisi sinif disbalansıdır. Bu tədqiqatda diabetik makula ödemi olan qeyd sayı 74, diabetik makula ödemi olmayan qeyd sayı isə 356-dır. Süni intellekt modelləri belə balanssız məlumat dəstlərində çoxluq sinfini daha yaxşı öyrənib azlıq sinfi olan xəstə nümunələri ayırmaqda daha çox çətinlik çəkə bilər.

Məlumat artırma bu tip problemləri yüngülləşdirmək üçün istifadə olunan yanaşmadır. Məqsəd mövcud məlumatdan yeni təlim nümunələri yaratmaqdır. Görüntü məlumatlarında çevirmə, kəsmə, parlaqlığı dəyişdirmə kimi üsullar tez-tez istifadə olunur. Zaman sıralarında isə jittering, zaman sürüşdürməsi, faza təsadüfiləşdirməsi, interpolasiya və MixUp kimi üsullar tətbiq oluna bilər. Lakin tədqiqatçılar bERG kimi mürəkkəb biosiqnalda bu klassik texnikaların siqnalın altında yatan fizioloji və spektral quruluşu kifayət qədər təmsil etməyə biləcəyini irəli sürürlər.

Bu tənqid vacibdir; çünki dəri elektrodları ilə alınan bERG siqnalı yalnız tor qişa aktivliyindən ibarət olmaya bilər. Tədqiqatda bu siqnalların tor qişa aktivliyindən əlavə glial siqnallaşma, ürək ritmi, tənəffüs ritmi, əzələ aktivliyi, cihaz mənşəli elektrik küyü, elektrod-dəri interfeysinin dəyişkənliyi və hərəkət artefaktları kimi çoxsaylı mənbələrdən təsirlənə biləcəyi qeyd olunur. Yəni bERG tək, hamar dalğa deyil; müxtəlif bioloji və bioloji olmayan mənbələrin üst-üstə düşdüyü, zaman və tezlik quruluşuna malik mürəkkəb siqnaldır.

Buna görə tədqiqat bERG siqnalını stoxastik proses kimi modelləşdirməyi təklif edir. Stoxastik proses zamanla irəliləyən və hər addımda müəyyən ehtimallara görə dəyişən sistem kimi düşünülə bilər. Buradakı əsas fikir budur: Siqnalın növbəti dəyəri tamamilə təsadüfi deyil; əvvəlki dəyərlərdən təsirlənir. Məsələn, ürək ritmi, tənəffüs dövrü və ya tor qişa-glia qarşılıqlı təsirləri kimi fizioloji proseslərdə cari vəziyyət əvvəlki vəziyyətlərin izini daşıyır. Bu tədqiqatda bu qısa müddətli yaddaş təsirini tutmaq üçün ikinci dərəcəli keçid matrisi istifadə olunub.

Tədqiqatda açıq şəkildə istifadə edilən əsas uzunluq əlaqəsi belədir:

\[ n = f_s \cdot s \]

Burada n yaradılacaq sintetik siqnalın nümunə sayını; f_s nümunələmə tezliyini; s isə saniyə ilə istənilən siqnal müddətini ifadə edir. Tədqiqatda sintetik fraqmentlər 20 saniyə olaraq təyin edilib. Siqnallar ilkin emaldan sonra 200 Hz tezliyinə yenidən nümunələndiyi üçün 20 saniyəlik fraqment təxminən 4.000 nümunə ehtiva edir. Bu əlaqə zaman sırası generasiyasında “neçə nöqtəlik siqnal yaradılacaq?” sualının riyazi qarşılığıdır.

İkinci dərəcəli keçid matrisinin məntiqini izah etmək üçün aşağıdakı əsas əlaqə istifadə oluna bilər:

\[ P(X_t = x_k \mid X_{t-1}=x_j, X_{t-2}=x_i) \]

Burada X_t siqnalın t anındakı diskret vəziyyətini; x_i, x_j və x_k gərginlik səviyyələrindən törədilən diskret vəziyyətləri; P isə şərti keçid ehtimalını ifadə edir. Bu düstur tədqiqatın məntiqini izah etmək üçün verilib. Birinci dərəcəli model yalnız bir əvvəlki vəziyyətə baxdığı halda, ikinci dərəcəli model iki əvvəlki vəziyyəti nəzərə alır. Beləliklə, siqnalın qısa müddətli yaddaşı daha real şəkildə təmsil oluna bilər.

Tədqiqatın generasiya xətti Şəkil 1-də xülasə olunub. İlk olaraq 240 saniyəlik real bERG siqnalı gərginlik oxunda müəyyən sayda diskret vəziyyətə bölünür. Bu proses davamlı amplituda dəyərlərini məhdud sayda simvolik vəziyyətə çevirir. Daha sonra bu diskret sıra ikinci dərəcəli keçid matrisi ilə modelləşdirilir. Keçid ehtimalları Laplacian smoothing ilə tənzimlənir; bu tənzimləmə bəzi keçidlərin heç müşahidə edilməməsi səbəbindən modelin həddindən artıq sərt olmasının qarşısını almağa xidmət edir. Daha sonra bu ehtimallara əsasən təsadüfi yürüş yaradılır. Bu yürüş siqnalın kobud sintetik skeletini təşkil edir.

Təsadüfi yürüşlə yaradılan sıralar diskret vəziyyət keçidlərindən gəldiyi üçün təbii siqnaldan daha kəskin və pilləli ola bilər. Buna görə tədqiqatçılar Savitzky–Golay filtrindən istifadə edərək siqnalı hamarlayıblar. Bu filtr siqnalın ümumi formasını qorumağa çalışarkən ani kəskin keçidləri azaldır. Filtrin pəncərə uzunluğu və polinom dərəcəsi tənzimlənən parametrlər kimi nəzərdən keçirilib. Optimallaşdırılmış son parametrlərdə Savitzky–Golay pəncərə ölçüsü 45, polinom dərəcəsi 4 seçilib.

Metodun ikinci böyük komponenti tezlik sahəsində düzəlişdir. Siqnal yalnız zaman oxundakı dalğalanmalardan ibarət deyil; eyni zamanda hansı tezlik komponentlərinin nə qədər güclü olması ilə də xarakterizə olunur. Buna görə tədqiqat Hızlı Fourier Dönüşümü, yəni FFT-dən istifadə edərək real və sintetik siqnal fraqmentlərinin tezlik spektrlərini müqayisə edib. FFT-nin əsas məntiqi aşağıdakı əlaqə ilə başa düşülə bilər:

\[ X_k = \sum_{n=0}^{N-1} x_n e^{-i2\pi kn/N} \]

Burada x_n zaman sahəsindəki siqnal nümunələrini; X_k k tezlik komponentindəki kompleks Fourier əmsalını; N ümumi nümunə sayını; i isə xəyali vahidi ifadə edir. Bu düstur tədqiqatın istifadə etdiyi FFT yanaşmasını izah etmək üçün verilən əsas fon əlaqəsidir. Sadə şəkildə desək, FFT siqnalı “zaman daxilində necə dəyişir?” sualından “hansı tezliklərdə nə qədər enerji daşıyır?” sualına çevirir.

Tədqiqatda real siqnalların hər tezlik komponenti üçün minimum və maksimum amplituda diapazonları hesablanıb. Sintetik siqnalın müəyyən tezlikdəki amplitudası bu real diapazondan kənara çıxarsa, həmin amplituda real məlumatda müşahidə edilən diapazon daxilində təsadüfi şəkildə yenidən təyin edilib. Faza məlumatı saxlanılıb, sonra tərs FFT tətbiq edilərək yekun sintetik siqnal əldə olunub. Bu mərhələ sintetik siqnalın yalnız zaman sahəsində deyil, spektral quruluşda da real bERG-yə bənzəməsini məqsəd qoyur.

Model parametrləri geniş şəkildə optimallaşdırılıb. Tədqiqatçılar 3.456 parametr konfiqurasiyasını grid search ilə qiymətləndiriblər. Optimallaşdırma yalnız təlim dəstindən çıxarılan 20 saniyəlik diskret siqnal fraqmentləri üzərində və DME ilə DME olmayan siniflər üçün ayrıca aparılıb. Bu yanaşma məlumat sızmasının qarşısını almaq baxımından vacibdir; çünki doğrulama məlumatı sintetik siqnal generasiyasının və ya parametr seçiminin bir hissəsinə çevrilsə, modelin həqiqi müstəqil performansı olduğundan yüksək görünə bilər.

Real və sintetik siqnalların oxşarlığı tək bir ölçü ilə qiymətləndirilməyib. Xəta əsaslı ölçülər kimi MSE və MAE; oxşarlıq və uyğunluq ölçüləri kimi Pearson korrelyasiyası və Lin uyğunluq korrelyasiya əmsalı; paylanma məsafələri kimi Minkowski, Wasserstein və Jensen–Shannon divergence; mürəkkəblik üçün nümunə entropiyası, spektral entropiya və qarşılıqlı informasiya; dinamik xüsusiyyətlər üçün Hjorth activity, mobility və complexity istifadə olunub. Bu geniş ölçü dəsti siqnalın yalnız orta xətasına deyil, paylanmasına, tezlik quruluşuna, nizamsızlığına və dinamik xarakterinə də baxıldığını göstərir.

Şəkil 2 həm parametr optimallaşdırmasını, həm də real-sintetik ekvivalentlik analizini göstərir. Optimallaşdırılmış yekun parametrlər β = 0, Savitzky–Golay pəncərə ölçüsü 45, Savitzky–Golay polinom dərəcəsi 4, α = 1e−20 və ikinci dərəcəli keçid matrisi üçün 200 vəziyyət kimi bildirilib. Eyni şəklin ekvivalentlik panelində DME və DME olmayan siniflər üçün bütün metriklərdə etibar intervallarının ekvivalentlik sərhədləri daxilində qaldığı görünür. Bu, sintetik siqnalların ayrı-ayrı real qeydlərin surəti olduğu anlamına gəlmir; lakin populyasiya səviyyəsində real siqnallarla statistik, spektral və dinamik baxımdan uyğun davrandığını göstərir.

Tədqiqatda ekvivalentlik qiymətləndirilməsi TOST yanaşması ilə aparılıb. TOST iki birtərəfli test məntiqinə əsaslanır və “iki qrup arasında fərq yoxdur” deməkdən daha diqqətli statistik çərçivə təqdim edir. Tədqiqatçılar hər metrik üçün ekvivalentlik sərhədini real-referans müqayisələrindən hesablanan orta göstəricinin %5-i kimi müəyyən ediblər, həddindən artıq dar sərhədlərin qarşısını almaq üçün isə ən az 0,05 mütləq alt hədd tətbiq ediblər. Sintetik-real fərqlərinin %95 etibar intervalları bu sərhədlərin daxilində qaldıqda ekvivalentlik qəbul edilib.

Tədqiqatın təsnifat hissəsində model arxitekturası iki qoldan ibarətdir. Birinci qol zaman sahəsindəki xüsusiyyətləri tutmaq üçün 1D konvolyusion neyron şəbəkəsindən istifadə edir. İkinci qol tezlik sahəsindəki xüsusiyyətləri tutmaq üçün öyrənilə bilən FFT əsaslı blokdan istifadə edir. Hər iki qolun çıxardığı təmsillər Transformer encoder strukturları ilə emal olunur; bu yolla daha uzunmüddətli zaman asılılıqları modelləşdirilir. Son mərhələdə birləşdirilmiş təmsil tam əlaqəli şəbəkə və sigmoid aktivasiya ilə iki sinifli təsnifata çevrilir: DME var və ya DME yoxdur.

Şəkil 3 məlumat artırma istifadə edilmədən əldə olunan əsas təsnifat performansını göstərir. Təlim və daxili test əyriləri təxminən 0,80 dəqiqlik səviyyəsinə yaxınlaşaraq sabit öyrənmə göstərib. Lakin müstəqil doğrulama dəstində ROC-AUC 0,746-dır. Həssaslıq 0,704, spesifiklik 0,697, dəqiqlik 0,631, precision 0,232, F1 skoru 0,357 və Cohen kappa 0,194 kimi verilib. Qarışıqlıq matrisində 119 doğru pozitiv, 33 yanlış neqativ, 395 yanlış pozitiv və 612 doğru neqativ var. Yanlış pozitiv sayının yüksək olması sinif disbalansı və siqnalın çətin təsnif olunan quruluşu ilə uyğun gəlir.

Məlumat artırma əlavə edildikdə performansın necə dəyişdiyi Şəkil 4 və Şəkil 5-də göstərilib. Tədqiqatçılar hər real nümunə üçün 1-dən 10-a qədər sintetik siqnal generasiyasını sınayıb, performansın beş sintetik siqnala qədər yaxşılaşdığını, daha çox artırmada isə xüsusilə müstəqil doğrulamada gerilədiyini tapıblar. Buna görə nəzarətli müqayisələr 1–5 sintetik siqnal diapazonunda aparılıb. Beş sintetik siqnal istifadə edildikdə təlim itkisi 0,391-dən 0,329-a, daxili test itkisi 0,395-dən 0,268-ə düşüb. Təlim dəqiqliyi 0,819-dan 0,851-ə, daxili test dəqiqliyi 0,810-dan 0,895-ə yüksəlib.

Əsas vacib məqam performansın müstəqil doğrulama dəstində artmasıdır. Çünki bu dəst yalnız real və artırılmamış siqnallardan ibarətdir; model təlimi və ya sintetik siqnal generasiyası üçün istifadə edilməyib. Stoxastik məlumat artırma ilə ROC-AUC dəyərləri sintetik nümunə sayı artdıqca yüksəlib: məlumat artırma olmadan 0,746, 1:1 artırmada 0,751, 2:1 artırmada 0,770, 3:1 artırmada 0,786, 4:1 artırmada 0,816 və 5:1 artırmada 0,826. Üç sintetik nümunədən etibarən yaxşılaşma statistik olaraq əhəmiyyətli, dörd və beş sintetik nümunədə isə daha güclü əhəmiyyət səviyyəsində olub.

Hər real nümunə üçün beş sintetik siqnal istifadə edildikdə həssaslıq məlumat artırma istifadə edilməyən modellə müqayisədə əhəmiyyətli dəyişməyib: 0,762-yə qarşı 0,749. Buna qarşılıq spesifiklik 0,607-dən 0,777-yə, dəqiqlik 0,631-dən 0,776-ya, F1 skoru 0,357-dən 0,474-ə, precision 0,231-dən 0,343-ə və Cohen kappa 0,194-dən 0,358-ə yüksəlib. Bu cədvəl metodun xüsusilə yanlış pozitivləri azaldaraq və ümumi ayırdetməni yaxşılaşdıraraq töhfə verdiyini göstərir. DME hallarını tutma gücü, yəni həssaslıq isə əhəmiyyətli səviyyədə artmayıb; bunun mümkün səbəbi DME sinfində real qeyd sayının məhdud olmasıdır.

Şəkil 6 təklif olunan metodu klassik zaman sırası məlumat artırma üsulları ilə müqayisə edir. Eyni sayda, yəni hər real nümunə üçün beş sintetik nümunə yaradılaraq jittering, zaman sürüşdürməsi, faza təsadüfiləşdirməsi, interpolasiya və MixUp sınaqdan keçirilib. Maraqlıdır ki, bu klassik üsullar təlim və daxili test mərhələsində daha aşağı itki və ya daha yüksək dəqiqlik göstərə biliblər. Lakin müstəqil doğrulama dəstində təklif olunan stoxastik üsul aydın şəkildə daha yaxşı performans göstərib. Stoxastik üsulun AUC dəyəri 0,826 olduğu halda jittering 0,749, zaman sürüşdürməsi 0,733, faza təsadüfiləşdirməsi 0,729, interpolasiya 0,733 və MixUp 0,735 səviyyəsində qalıb.

Bu nəticə məqalənin əsas elmi mesajlarından biridir: Təlim dəstində yaxşı görünən məlumat artırma üsulu real müstəqil xəstə məlumatında ən yaxşı ümumiləşdirməni təmin etməyə bilər. Klassik üsullar orijinal siqnala lokal və ya deterministik çevirmələr tətbiq edir; buna görə bəzi sinfə xas küy və ya artefaktları da saxlaya bilər. Təklif olunan stoxastik üsul isə siqnalın ehtimal keçid quruluşunu və tezlik profilini modelləşdirərək daha yeni, lakin fizioloji baxımdan məqbul nümunələr yaratmağa çalışır. Bu da müstəqil doğrulamada daha güclü ümumiləşdirmə təmin edə bilər.

Tədqiqatın keçmiş baxımından əhəmiyyəti biotibbi siqnal təsnifatında məlumat azlığı və sinif disbalansı probleminə klassik məlumat artırmadan kənar, fizioloji proseslə uyğun həll təklif etməsidir. Xüsusilə ERG kimi tor qişa siqnalları üçün əvvəllər sintetik məlumat generasiyasında generative adversarial network kimi böyük məlumat tələb edən modellərdən istifadə olunub. Bu tədqiqat isə daha kiçik və balanssız məlumat dəstlərində işləyə biləcək, daha şərh oluna bilən və daha sadə stoxastik generasiya çərçivəsi təqdim edir.

Bu gün baxımından əhəmiyyəti diabetik makula ödemi kimi görmə itkisi ilə əlaqəli klinik problemin erkən aşkarlanmasına dəstək ola biləcək süni intellekt modellərində təlim məlumatının necə gücləndirilə biləcəyini göstərməsidir. bERG daşına bilən cihazlarla qeyri-invaziv şəkildə alına bildiyi üçün uzunmüddətli perspektivdə tor qişa skrininqi və qərar dəstək sistemlərində tamamlayıcı siqnal ola bilər. Lakin bu tədqiqat belə klinik sistemin hazır olduğunu göstərmir; yalnız təsnifat modelinin təlimində sintetik məlumat istifadəsinin performansı artıra biləcəyini göstərir.

Gələcək baxımından tədqiqat yalnız bERG üçün deyil, EEG, EKG, tənəffüs siqnalı və digər fizioloji zaman sıraları üçün də oxşar stoxastik və tezlik sahəsi nəzarətli məlumat artırma yanaşmalarının sınaqdan keçirilə biləcəyini düşündürür. Lakin hər siqnal növü, hər xəstəlik və hər qeyd protokolu üçün eyni parametrlərin keçərli olduğu deyilə bilməz. Müəlliflər də metod başqa retinal vəziyyətlərə, fərqli cihazlara və ya başqa diaqnostik hədəflərə tətbiq edilərsə parametrlərin yenidən optimallaşdırılmasının lazım ola biləcəyini qeyd edirlər.

Gündəlik həyata təsir baxımından bu tədqiqat süni intellektin tibbdə etibarlı işləməsi üçün yalnız güclü alqoritmlərə deyil, kifayət qədər və balanslı təlim məlumatına da ehtiyac olduğunu göstərir. Diabet kimi geniş yayılmış xəstəlikdə görmə itkisini önləmək üçün erkən skrininq kritik ola bilər. Lakin hər klinik mərkəzdə böyük və balanslı biosiqnal məlumat dəsti yoxdur. Real məlumatın quruluşunu pozmadan sintetik təlim siqnalları yaratmaq gələcəkdə daha əlçatan qərar dəstək alətlərinin hazırlanmasına töhfə verə bilər. Yenə də bu, xəstələrin yalnız süni intellekt nəticəsi əsasında diaqnoz alacağı anlamına gəlmir; klinik qiymətləndirmə, OCT və mütəxəssis həkim şərhi hələ də əsasdır.

Tədqiqatın güclü tərəfləri arasında xəstə səviyyəsində məlumat bölünərək məlumat sızmasının qarşısının alınması, sintetik məlumatın yalnız təlim dəstinə tətbiq edilməsi, müstəqil doğrulama dəstinin real və artırılmamış siqnallardan ibarət olması, çoxsaylı ekvivalentlik metriklərinin istifadəsi, klassik məlumat artırma üsulları ilə birbaşa müqayisə və müxtəlif performans metriklərinin hesabatı var. Bundan əlavə, metod bERG siqnalının həm zaman, həm də tezlik xüsusiyyətlərini qorumağa çalışdığı üçün biosiqnalın quruluşuna daha həssas məlumat artırma strategiyası təqdim edir.

Məhdudiyyətlər də aydın görünür. Tədqiqat hakəm rəyindən keçməmiş preprintdir. Məlumat dəstində DME qeydləri azdır: 430 qeydin yalnız 74-ü DME sinfinə aiddir. Bu sinif disbalansı həssaslığın əhəmiyyətli şəkildə artırıla bilməməsinin və bəzi metriklərin orta səviyyədə qalmasının səbəbi ola bilər. Məlumatlar iki klinik mərkəzdən və iki fərqli qeyd sistemindən əldə olunub; bu cihaz və ya mərkəz mənşəli dəyişkənlik yarada bilər. Sintetik siqnallar populyasiya səviyyəsində ekvivalent hesab olunub; lakin bu, hər bir sintetik siqnalın fərdi klinik reallığı qüsursuz təmsil etdiyi demək deyil. Həmçinin metod yalnız diabetik makula ödeminin təsnifatı üçün sınaqdan keçirilib; digər retinal xəstəliklərə ümumiləşdirilə bilməsi göstərilməyib.

Tədqiqatın dediyi budur: bERG kimi mürəkkəb fizioloji zaman sıralarında ikinci dərəcəli stoxastik keçid matrisi və FFT əsaslı spektral düzəlişdən istifadə etməklə real siqnallara statistik baxımdan ekvivalent sintetik siqnallar yaratmaq mümkündür. Bu sintetik siqnallar təlim məlumatına nəzarətli şəkildə əlavə edildikdə müstəqil doğrulama dəstində diabetik makula ödemi təsnifat performansı yüksəlib.

Tədqiqatın demədiyi isə budur: Bu metod diabetik makula ödemini klinikada təkbaşına etibarlı şəkildə diaqnoz edir demir. bERG OCT-nin və ya oftalmoloq qiymətləndirməsinin yerini tutur demir. Sintetik məlumat real xəstələrin bütün bioloji müxtəlifliyini tam təmsil edir demir. Həmçinin modelin fərqli ölkələrdə, cihazlarda, klinik populyasiyalarda və ya daha böyük məlumat dəstlərində eyni performansı göstərəcəyi hələ sübut edilməyib.

Tədqiqatın Metodu və Nəticələri

Tədqiqat diabetik makula ödeminin təsnifatı üçün bERG siqnallarından sintetik təlim məlumatı yaratmağa yönəlmiş metod hazırlama və doğrulama tədqiqatıdır. Metod real siqnalların zaman sahəsindəki keçid statistikalarını və tezlik sahəsindəki spektral quruluşunu qorumağı məqsəd qoyur.

Tədqiqatda açıq şəkildə verilən generasiya uzunluğu əlaqəsi belədir:

\[ n = f_s \cdot s \]

Burada n sintetik siqnaldakı nümunə sayını, f_s nümunələmə tezliyini, s isə saniyə ilə siqnal müddətini ifadə edir. Tədqiqatda s = 20 saniyə olaraq təyin olunub.

İkinci dərəcəli stoxastik keçid məntiqi aşağıdakı izahlı düsturla xülasə oluna bilər:

\[ P(X_t = x_k \mid X_{t-1}=x_j, X_{t-2}=x_i) \]

Bu ifadə siqnalın t anındakı vəziyyətinin yalnız bir əvvəlki vəziyyətə deyil, iki əvvəlki vəziyyətə bağlı ehtimalla yaradıldığını göstərir. Bu, bERG kimi fizioloji olaraq yaddaş təsiri daşıya bilən zaman sıraları üçün daha real modelləşdirmə fərziyyəsidir.

FFT-nin əsas izahlı əlaqəsi isə belədir:

\[ X_k = \sum_{n=0}^{N-1} x_n e^{-i2\pi kn/N} \]

Bu düstur zaman sahəsindəki siqnal nümunələrinin tezlik sahəsindəki komponentlərə çevrilməsini izah edir. Tədqiqatda bu transformasiya sintetik siqnalın tezlik amplitudalarını real bERG siqnallarında müşahidə edilən diapazonlarla uyğunlaşdırmaq üçün istifadə olunub.

Real və sintetik siqnal ekvivalentliyi baxımından tədqiqat DME və DME olmayan siniflərdə bütün ölçülərdə %95 etibar intervallarının ekvivalentlik sərhədləri daxilində qaldığını bildirib. Orta fərqlər əksər metriklərdə 0,03-dən aşağı, MSE və MAE fərqləri 0,003-dən aşağı, Wasserstein fərqləri təxminən −0,003 və korrelyasiya əsaslı metriklərdə fərqlər 0,001-dən aşağı olub. Ən böyük sapma Hjorth complexity ölçüsündə görülsə də, bu dəyər də əvvəlcədən təyin edilmiş ekvivalentlik sərhədləri daxilində qalıb.

Beş sintetik nümunə istifadə olunan stoxastik məlumat artırma ilə məlumat artırma istifadə edilməyən modelin müstəqil doğrulama metrikləri müqayisə edildikdə belə mənzərə yaranır:

Klassik məlumat artırma üsulları ilə müqayisə də təklif olunan metodun fərqləndirici cəhətini göstərir:

Bu nəticələr təklif olunan metodun xüsusilə müstəqil doğrulama məlumatında daha yaxşı ümumiləşdirmə təmin etdiyini göstərir. Tədqiqatın texniki şərhi budur: bERG kimi mürəkkəb biosiqnallarda uğurlu məlumat artırma yalnız siqnalı təhrif edib çoxaltmaq deyil; siqnalın ehtimal keçid quruluşunu, spektral paylanmasını və fizioloji dəyişkənliyini birlikdə qoruyaraq yeni nümunələr yaratmaqla daha effektiv ola bilər.

Mənbə və Metod Qeydi

Bu məqalə Jorge Armando Hughes-Cano, Héctor Flores-Arguedas, María de Ángeles Pacheco-Blas, Ulises Olivares-Pinto və Stephan C. Thébault tərəfindən hazırlanmış “Synthetic basal electroretinograms for diabetic macular edema classification: a stochastic and frequency-domain modeling approach” başlıqlı tədqiqat əsasında hazırlanıb.

Mənbə mətn preprint tədqiqat məqaləsidir. Mətndə açıq şəkildə “This preprint research paper has not been peer reviewed” ifadəsi yer alır. Buna görə tədqiqat hakəm rəyindən keçməyib və nəticələr klinik tətbiq təlimatı və ya qəti diaqnostika standartı kimi qiymətləndirilməməlidir.

Tədqiqat diabetik makula ödeminə diaqnoz qoyan klinik müalicə tədqiqatı deyil. Tədqiqatda DME diaqnozu OCT nəticələrinə əsasən sertifikatlı oftalmoloqlar tərəfindən qoyulub, bERG siqnalları isə bu etiketlərə görə təsnifat modelinin təlimi və qiymətləndirilməsi üçün istifadə olunub. Təklif olunan metod bERG məlumatlarından sintetik təlim siqnalı yaratmağa yönəlmiş süni intellekt və siqnal emalı yanaşmasıdır.

Bu məzmunda PDF-də olmayan klinik təsir, müalicə uğuru, diaqnostika zəmanəti, cihaz təhlükəsizliyi, kommersiya tətbiq oluna bilməsi və ya xəstə səviyyəsində qəti risk hesablama iddiası əlavə edilməyib. Tədqiqatın təqdim etdiyi nəticələr müəyyən bir məlumat dəstində və müəyyən təsnifat arxitekturası ilə əldə olunmuş metodoloji nəticələrdir. Fərqli cihazlar, fərqli klinik mərkəzlər, fərqli xəstə qrupları və ya başqa tor qişa xəstəlikləri üçün eyni performansın keçərli olduğu bu tədqiqatla sübut edilməyib.

Tədqiqatın güclü tərəfi sintetik məlumatın yalnız təlim mərhələsində istifadə edilməsi və müstəqil doğrulama dəstinin real, artırılmamış siqnallardan ibarət olmasıdır. Bununla belə, DME sinfində real qeyd sayının məhdud olması, sinif disbalansı, iki fərqli qeyd cihazı və iki fərqli klinik mərkəzdən məlumat toplanması kimi məhdudiyyətlər nəticələrin şərhində nəzərə alınmalıdır.

Nəticə olaraq, tədqiqat bERG kimi fizioloji zaman sıralarında stoxastik keçid matrisləri və FFT əsaslı spektral tənzimləmə ilə realistik sintetik məlumat generasiyasının süni intellekt əsaslı DME təsnifatını müstəqil doğrulama məlumatında yaxşılaşdıra biləcəyini göstərir. Lakin bu nəticə klinikada təkbaşına istifadə oluna bilən doğrulanmış diaqnostik sistem demək deyil; daha böyük, balanslı və çoxmərkəzli tədqiqatlarda doğrulanması lazım olan metodoloji töhfədir.