Диабеттик макула шишиги 2-типтеги диабети бар адамдарда көрүүнүн жоголушуна алып келиши мүмкүн болгон маанилүү тор кабык татаалдашуусу. Макула — тор кабыктын борбордук көрүүгө жооп берген бөлүгү. Диабеттик макула шишигинде бул аймакта тор кабыктын калыңдашы жана клетка сыртындагы суюктуктун топтолушу байкалат. Изилдөөдө бул абалдын дүйнө жүзү боюнча билдирилген таралышы %3,2 менен %11 аралыгында өзгөрүшү мүмкүн экени айтылат. Ошондой эле диабеттин узактыгы көбөйгөн сайын тобокелдик өссө да, оорунун эрте баскычтарында да диабеттик макула шишиги өнүгүшү мүмкүн болгондуктан, эрте аныктоо офтальмологиялык башкарууда маанилүү экени баса белгиленет.

Салттуу клиникалык баалоодо диабеттик макула шишигинин диагнозу оптикалык когеренттик томография, башкача айтканда OCT жыйынтыктарына негизделет. Бул изилдөөдө да диабеттик макула шишигинин диагнозу сертификатталган офтальмологдор тарабынан OCTдагы жайылган тор кабык калыңдашы, клетка сыртындагы суюктуктун топтолушу, кистоиддик боштуктар же түзүмдүк өзгөрүүлөр сыяктуу белгилерге жараша коюлган. Ошондуктан изилдөөдөгү bERG негизиндеги классификация клиникалык диагнозду алмаштырган өз алдынча так диагностикалык ыкма эмес, учурдагы клиникалык сүрөттөө жана баалоо ыкмаларын толуктай турган биосигнал негизиндеги классификация маселеси катары каралган.

Изилдөөнүн борборундагы биосигнал — базалдык электроретинограмма. Классикалык электроретинограмма колдонмолорунда тор кабыкка жарык стимулу берилет да, тор кабыктын ошол стимулга электрдик жообу өлчөнөт. Базалдык электроретинограммада болсо тышкы визуалдык стимул берилбестен, фотопиялык, башкача айтканда күндүзгү жарык шартында тор кабыктын спонтандык электр активдүүлүгү жазылат. Ушул жагынан bERG тор кабык функциясындагы ички өзгөрүүлөрдү кармоого аракет кылган инвазивдүү эмес өлчөө ыкмасы болуп саналат. Изилдөөдө bERG көчмө ERG түзмөктөрү жана тери электроддору менен жазыла ала тургандыктан, тор кабык скрининги жана эрте функционалдык бузулууну табуу үчүн практикалык потенциалга ээ экени айтылат.

Бирок bERG сигналдарын автоматтык классификацияда колдонууга тоскоол болгон эки негизги маселе бар. Биринчиси — маалыматтын аздыгы. Белгилүү тор кабык оорулары бар жакшы аныкталган бейтап топторунан сапаттуу биосигнал жазуусун чогултуу убакытты, чыгымды жана клиникалык кызматташууну талап кылат. Экинчиси — класстардын тең салмаксыздыгы. Бул изилдөөдө диабеттик макула шишиги бар жазуулардын саны 74 болсо, диабеттик макула шишиги жок жазуулардын саны 356. Жасалма интеллект моделдери мындай тең салмаксыз маалымат топтомдорунда көпчүлүк классын жакшыраак үйрөнүп, азчылык классына кирген оорулуу үлгүлөрдү айырмалоодо кыйналышы мүмкүн.

Маалымат көбөйтүү мындай көйгөйлөрдү азайтуу үчүн колдонулган ыкмалардын бири. Максат — бар маалыматтан жаңы окутуу үлгүлөрүн түзүү. Сүрөттөрдө айлантуу, кесүү, жарыкты өзгөртүү сыяктуу ыкмалар көп колдонулат. Убакыт катарларында jittering, убакытты жылдыруу, фазаны кокусташтыруу, интерполяция жана MixUp сыяктуу ыкмалар колдонулушу мүмкүн. Бирок изилдөөчүлөр bERG сыяктуу татаал биосигналда бул классикалык ыкмалар сигналдын астындагы физиологиялык жана спектралдык түзүлүштү жетиштүү чагылдырбай калышы мүмкүн деп эсептешет.

Бул сын маанилүү; анткени тери электроддору менен алынган bERG сигналы тор кабык активдүүлүгүнөн гана турбашы мүмкүн. Изилдөөдө бул сигналдар тор кабык активдүүлүгүнөн тышкары глиялык сигналдашуу, жүрөк ритми, дем алуу ритми, булчуң активдүүлүгү, түзмөктөн чыккан электр ызы-чуусу, электрод-тери интерфейсинин өзгөрмөлүүлүгү жана кыймыл артефакттары сыяктуу көптөгөн булактардан таасир алышы мүмкүн экени айтылат. Башкача айтканда, bERG — бир гана тегиз толкун эмес; ар түрдүү биологиялык жана биологиялык эмес булактар бири-биринин үстүнө түшкөн, убакыттык жана жыштыктык түзүлүшү бар татаал сигнал.

Ошондуктан изилдөө bERG сигналын стохастикалык процесс катары моделдөөнү сунуштайт. Стохастикалык процессти убакыт менен жүрүп, ар бир кадамда белгилүү ыктымалдыктарга жараша өзгөргөн система катары түшүнүүгө болот. Негизги идея мындай: Сигналдын кийинки мааниси толугу менен кокустук эмес; ага мурунку маанилер таасир берет. Мисалы, жүрөк ритми, дем алуу цикли же тор кабык-глия өз ара аракеттенүүсү сыяктуу физиологиялык процесстерде учурдагы абал мурунку абалдардын изин алып жүрөт. Бул изилдөөдө ушул кыска мөөнөттүү эс тутум таасирин кармоо үчүн экинчи тартиптеги өтүү матрицасы колдонулган.

Изилдөөдө түз берилген негизги узундук байланышы төмөнкүдөй:

\[ n = f_s \cdot s \]

Бул жерде n түзүлө турган синтетикалык сигналдагы үлгүлөрдүн санын; f_s үлгүлөө жыштыгын; s болсо секунда менен керектүү сигнал узактыгын билдирет. Изилдөөдө синтетикалык бөлүктөр 20 секунд деп коюлган. Сигналдар алдын ала иштетүүдөн кийин 200 Hz жыштыкка кайра үлгүлөнгөндүктөн, 20 секунддук бөлүк болжол менен 4.000 үлгүнү камтыйт. Бул байланыш убакыт катарын түзүүдө “канча чекиттен турган сигнал түзүлөт?” деген суроонун математикалык эквиваленти.

Экинчи тартиптеги өтүү матрицасынын логикасын түшүндүрүү үчүн төмөнкү негизги байланыш колдонулушу мүмкүн:

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

Бул жерде X_t сигналдын t учурдагы дискреттик абалын; x_i, x_j жана x_k чыңалуу деңгээлдеринен алынган дискреттик абалдарды; P болсо шарттуу өтүү ыктымалдыгын билдирет. Бул формула изилдөөнүн логикасын түшүндүрүү үчүн берилген. Биринчи тартиптеги модель бир гана мурунку абалды караса, экинчи тартиптеги модель эки мурунку абалды эске алат. Ошентип сигналдын кыска мөөнөттүү эс тутуму реалдуураак берилет.

Изилдөөнүн түзүү агымы 1-сүрөттө көрсөтүлгөн. Алгач 240 секунддук чыныгы bERG сигналы чыңалуу огунда белгилүү сандагы дискреттик абалдарга бөлүнөт. Бул кадам үзгүлтүксүз амплитуда маанилерин чектелүү сандагы символдук абалдарга айлантат. Андан кийин бул дискреттик катар экинчи тартиптеги өтүү матрицасы менен моделденет. Өтүү ыктымалдыктары Laplacian smoothing менен жөнгө салынат; бул айрым өтүүлөр таптакыр байкалбагандыктан модель өтө катуу болуп калышын алдын алат. Андан соң ушул ыктымалдыктарга жараша кокустук жүрүш түзүлөт. Бул жүрүш сигналдын баштапкы синтетикалык скелетин түзөт.

Кокустук жүрүш менен түзүлгөн катарлар дискреттик абал өтүүлөрүнөн келип чыккандыктан, табигый сигналга караганда кескин жана тепкичтүү болушу мүмкүн. Ошондуктан изилдөөчүлөр Savitzky–Golay фильтрин колдонуп сигналды жылмалаган. Бул фильтр сигналдын жалпы формасын сактоого аракет кылып, кескин өтүүлөрдү азайтат. Фильтрдин терезе узундугу жана полином даражасы жөнгө салынуучу параметрлер катары каралган. Оптималдаштырылган акыркы параметрлерде Savitzky–Golay терезе өлчөмү 45, полином даражасы 4 болуп тандалган.

Ыкманын экинчи чоң бөлүгү — жыштык мейкиндигинде оңдоо. Сигнал убакыт огундагы өзгөрүүлөрдөн гана турбайт; кайсы жыштык компоненттери канчалык күчтүү экени менен да аныкталат. Ошондуктан изилдөө Ылдам Fourier Transform, башкача айтканда FFT колдонуп, чыныгы жана синтетикалык сигнал бөлүктөрүнүн жыштык спектрлерин салыштырган. FFTнин негизги логикасын төмөнкү байланыш аркылуу түшүндүрүүгө болот:

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

Бул жерде x_n убакыт мейкиндигиндеги сигнал үлгүлөрүн; X_k k жыштык компонентиндеги комплекстүү Fourier коэффициентин; N жалпы үлгү санын; i болсо жоромолдук бирдикти билдирет. Бул формула изилдөө колдонгон FFT ыкмасын түшүндүрүү үчүн негизги фондук байланыш катары берилет. Жөнөкөй айтканда, FFT сигналды “убакыт ичинде кандай өзгөрөт?” деген суроодон “кайсы жыштыктарда канча энергия алып жүрөт?” деген суроого которот.

Изилдөөдө чыныгы сигналдардын ар бир жыштык компоненти үчүн минималдуу жана максималдуу амплитуда диапазондору эсептелген. Эгер синтетикалык сигналдын белгилүү бир жыштыктагы амплитудасы чыныгы диапазондун сыртына чыкса, ал амплитуда чыныгы маалыматта байкалган диапазондун ичинде кокустук түрдө кайра дайындалган. Фаза маалыматы сакталган, андан кийин тескери FFT колдонулуп акыркы синтетикалык сигнал алынган. Бул кадам синтетикалык сигнал убакыт мейкиндигинде гана эмес, спектралдык түзүлүшү боюнча да чыныгы bERGге окшош болушун көздөйт.

Модель параметрлери кеңири оптималдаштырылган. Изилдөөчүлөр 3.456 параметр конфигурациясын grid search менен баалашкан. Оптималдаштыруу бир гана окутуу топтомунан алынган 20 секунддук дискреттик сигнал бөлүктөрүндө жана DME менен DME эмес класстар үчүн өзүнчө жүргүзүлгөн. Бул ыкма маалымат агып кетишин алдын алуу үчүн маанилүү; анткени валидация маалыматы синтетикалык сигнал түзүүгө же параметр тандоого катышып калса, моделдин чыныгы көз карандысыз көрсөткүчү ашыкча жогору көрүнүшү мүмкүн.

Чыныгы жана синтетикалык сигналдардын окшоштугу бир гана өлчөм менен бааланган эмес. Катага негизделген өлчөмдөр катары MSE жана MAE; окшоштук жана шайкештик өлчөмдөрү катары Pearson корреляциясы жана Lin шайкештик корреляция коэффициенти; бөлүштүрүү аралыктары катары Minkowski, Wasserstein жана Jensen–Shannon divergence; татаалдык үчүн үлгү энтропиясы, спектралдык энтропия жана өз ара маалымат; динамикалык мүнөздөмөлөр үчүн Hjorth activity, mobility жана complexity колдонулган. Бул кеңири өлчөмдөр топтому сигналдын орточо катасын гана эмес, бөлүштүрүлүшүн, жыштык түзүлүшүн, ирээтсиздигин жана динамикалык мүнөзүн да баалаганын көрсөтөт.

2-сүрөт параметрлерди оптималдаштырууну да, чыныгы-синтетикалык эквиваленттүүлүк талдоосун да көрсөтөт. Оптималдаштырылган акыркы параметрлер β = 0, Savitzky–Golay терезе өлчөмү 45, Savitzky–Golay полином даражасы 4, α = 1e−20 жана экинчи тартиптеги өтүү матрицасы үчүн 200 абал деп берилген. Ошол эле сүрөттөгү эквиваленттүүлүк панелинде DME жана DME эмес класстар үчүн бардык метрикаларда ишеним интервалдары эквиваленттүүлүк чектеринде калган. Бул синтетикалык сигналдар ар бир чыныгы жазуунун көчүрмөсү дегенди билдирбейт; бирок популяция деңгээлинде чыныгы сигналдар менен статистикалык, спектралдык жана динамикалык жактан шайкеш жүргөнүн көрсөтөт.

Изилдөөдө эквиваленттүүлүк TOST ыкмасы менен бааланган. TOST эки бир багыттуу тест логикасына негизделет жана “эки топтун ортосунда айырма жок” дегенден этият статистикалык алкак берет. Изилдөөчүлөр ар бир метрика үчүн эквиваленттүүлүк чегин чыныгы-референс салыштырууларынан алынган орточо маанинин %5 өлчөмү деп аныктап, өтө тар чектерди алдын алуу үчүн кеминде 0,05 абсолюттук төмөнкү чек колдонушкан. Синтетикалык-чындыктын айырмасынын %95 ишеним интервалдары ушул чектердин ичинде калганда эквиваленттүүлүк кабыл алынган.

Изилдөөнүн классификация бөлүгүндө модель архитектурасы эки бутактан турат. Биринчи бутак убакыт мейкиндигиндеги өзгөчөлүктөрдү кармоо үчүн 1D конволюциялык нейрон тармагын колдонот. Экинчи бутак жыштык мейкиндигиндеги өзгөчөлүктөрдү кармоо үчүн үйрөнүлүүчү FFT негизиндеги блокту колдонот. Эки бутак чыгарган өкүлчүлүктөр Transformer encoder түзүлүштөрү менен иштетилет; мунун аркасында узагыраак убакыт көз карандылыктары моделденет. Акырында бириктирилген өкүлчүлүк толук байланышкан тармак жана sigmoid активдешүүсү менен эки класстуу классификацияга айланат: DME бар же DME жок.

3-сүрөт маалымат көбөйтүү колдонулбаган негизги классификация көрсөткүчүн көрсөтөт. Окутуу жана ички тест ийри сызыктары болжол менен 0,80 тактык деңгээлине жакындап, туруктуу үйрөнүүнү көрсөткөн. Бирок көз карандысыз валидация топтомунда ROC-AUC 0,746 болгон. Сезгичтик 0,704, өзгөчөлүк 0,697, тактык 0,631, precision 0,232, F1 упайы 0,357 жана Cohen kappa 0,194 деп берилген. Чаташуу матрицасында 119 туура позитив, 33 жалган терс, 395 жалган позитив жана 612 туура терс болгон. Жалган позитивдердин көп болушу класстардын тең салмаксыздыгы жана сигналдын татаал классификациялануучу түзүлүшү менен шайкеш келет.

Маалымат көбөйтүү кошулганда көрсөткүчтөрдүн өзгөрүшү 4-сүрөт жана 5-сүрөттө көрсөтүлгөн. Изилдөөчүлөр ар бир чыныгы үлгү үчүн 1ден 10го чейин синтетикалык сигнал түзүүнү сынап, көрсөткүч беш синтетикалык сигналга чейин жакшырганын, андан көбөйгөндө болсо өзгөчө көз карандысыз валидацияда төмөндөгөнүн аныкташкан. Ошондуктан көзөмөлдөнгөн салыштыруулар 1–5 синтетикалык сигнал диапазонунда жүргүзүлгөн. Беш синтетикалык сигнал колдонулганда окутуу жоготуусу 0,391ден 0,329га, ички тест жоготуусу 0,395тен 0,268ге төмөндөгөн. Окутуу тактыгы 0,819дан 0,851ге, ички тест тактыгы 0,810дан 0,895ке жогорулаган.

Эң маанилүү жагы — көрсөткүч көз карандысыз валидация топтомунда жогорулаган. Анткени бул топтом бир гана чыныгы жана көбөйтүлбөгөн сигналдардан турат; модель окутууда же синтетикалык сигнал түзүүдө колдонулган эмес. Стохастикалык маалымат көбөйтүүдө ROC-AUC маанилери синтетикалык үлгү саны өскөн сайын жогорулаган: маалымат көбөйтүү жокто 0,746, 1:1 көбөйтүүдө 0,751, 2:1 көбөйтүүдө 0,770, 3:1 көбөйтүүдө 0,786, 4:1 көбөйтүүдө 0,816 жана 5:1 көбөйтүүдө 0,826. Үч синтетикалык үлгүдөн баштап жакшыртуу статистикалык маанилүү, төрт жана беш синтетикалык үлгүдө дагы күчтүү маанилүүлүк деңгээлинде болгон.

Ар бир чыныгы үлгү үчүн беш синтетикалык сигнал колдонулганда сезгичтик маалымат көбөйтүү колдонулбаган моделге салыштырмалуу маанилүү өзгөргөн эмес: 0,762ге каршы 0,749. Бирок өзгөчөлүк 0,607ден 0,777ге, тактык 0,631ден 0,776га, F1 упайы 0,357ден 0,474кө, precision 0,231ден 0,343кө жана Cohen kappa 0,194төн 0,358ге жогорулаган. Бул таблица ыкма өзгөчө жалган позитивдерди азайтып, жалпы айырмалоо жөндөмүн жакшыртканын көрсөтөт. DME учурларын кармоо күчү, башкача айтканда сезгичтик, маанилүү деңгээлде жогорулаган эмес; мунун мүмкүн болгон себеби DME класстагы чыныгы жазуулардын саны аз болгондугу.

6-сүрөт сунушталган ыкманы классикалык убакыт катарларын көбөйтүү ыкмалары менен салыштырат. Бирдей санда, башкача айтканда ар бир чыныгы үлгү үчүн беш синтетикалык үлгү түзүлүп jittering, убакытты жылдыруу, фазаны кокусташтыруу, интерполяция жана MixUp колдонулган. Кызыгы, бул классикалык ыкмалар окутууда жана ички тестте төмөн жоготуу же жогору тактык көрсөтүшү мүмкүн болгон. Бирок көз карандысыз валидация топтомунда сунушталган стохастикалык ыкма ачык эле жакшы натыйжа берген. Стохастикалык ыкманын AUC мааниси 0,826 болсо, jittering 0,749, убакыт жылдыруу 0,733, фазаны кокусташтыруу 0,729, интерполяция 0,733 жана MixUp 0,735 деңгээлинде калган.

Бул жыйынтык макаланын негизги илимий билдирүүлөрүнүн бири: Окутуу топтомунда жакшы көрүнгөн маалымат көбөйтүү ыкмасы чыныгы көз карандысыз бейтап маалыматында эң жакшы жалпылоону бербеши мүмкүн. Классикалык ыкмалар баштапкы сигналга локалдык же детерминисттик өзгөртүүлөрдү киргизет; ошондуктан класска мүнөздүү айрым ызы-чууларды же артефакттарды да сакташы мүмкүн. Сунушталган стохастикалык ыкма болсо сигналдын ыктымал өтүү түзүлүшүн жана жыштык профилин моделдеп, жаңы, бирок физиологиялык жактан ишенимдүү үлгүлөрдү түзүүгө аракет кылат. Бул көз карандысыз валидацияда жакшыраак жалпылоого алып келиши мүмкүн.

Изилдөөнүн тарыхый мааниси биомедициналык сигнал классификациясында маалымат аздыгы жана класстардын тең салмаксыздыгы маселесине классикалык маалымат көбөйтүүдөн башка, физиологиялык процесс менен шайкеш чечим сунуштаганында. Айрыкча ERG сыяктуу тор кабык сигналдары үчүн мурда синтетикалык маалымат түзүүдө generative adversarial network сыяктуу чоң маалымат талап кылган моделдер колдонулган. Бул изилдөө болсо кичине жана тең салмаксыз маалымат топтомдорунда иштей ала турган, чечмелөөгө оңой жана жөнөкөй стохастикалык түзүү алкагын сунуштайт.

Бүгүнкү күн үчүн мааниси — диабеттик макула шишиги сыяктуу көрүүнү жоготуу менен байланышкан клиникалык маселени эрте аныктоого жардам бере турган жасалма интеллект моделдеринин окутуу маалыматтарын кантип күчөтүүгө болорун көрсөтөт. bERG көчмө түзмөктөр менен инвазивдүү эмес алынгандыктан, узак мөөнөттө тор кабык скрининги жана чечим колдоо системаларында кошумча сигнал болушу мүмкүн. Бирок бул изилдөө мындай клиникалык система даяр экенин көрсөткөн жок; болгону классификация моделин окутууда синтетикалык маалымат колдонуу көрсөткүчтү жакшыртышы мүмкүн экенин көрсөттү.

Келечек үчүн бул изилдөө bERG менен гана чектелбестен, EEG, EKG, дем алуу сигналы же башка физиологиялык убакыт катарларына да ушундай стохастикалык жана жыштык мейкиндиги көзөмөлдөнгөн маалымат көбөйтүү ыкмаларын колдонуп көрүүгө болорун көрсөтөт. Бирок ар бир сигнал түрүнө, ар бир ооруга жана ар бир жазуу протоколуна бир эле параметрлер жарайт деп айтууга болбойт. Авторлор дагы ыкма башка тор кабык шарттарына, башка түзмөктөргө же башка диагностикалык максаттарга колдонулса, параметрлерди кайра оптималдаштыруу талап кылынышы мүмкүн экенин белгилешет.

Күнүмдүк жашоого таасири жагынан бул изилдөө жасалма интеллект медициналык тармакта ишенимдүү иштеши үчүн күчтүү алгоритмдер эле эмес, жетиштүү жана тең салмактуу окутуу маалыматы керек экенин көрсөтөт. Диабет сыяктуу кеңири таралган ооруда көрүүнү жоготуунун алдын алуу үчүн эрте скрининг өтө маанилүү болушу мүмкүн. Бирок ар бир клиникалык борбордо чоң жана тең салмактуу биосигнал маалымат топтому болбойт. Чыныгы маалыматтын түзүлүшүн бузбай синтетикалык окутуу сигналдарын түзүү келечекте жеткиликтүүрөөк чечим колдоо куралдарын иштеп чыгууга жардам бериши мүмкүн. Ошентсе да бул бейтаптар бир гана жасалма интеллект жыйынтыгы менен диагноз алат дегенди билдирбейт; клиникалык баалоо, OCT жана адистин чечмелөөсү негизги бойдон калат.

Изилдөөнүн күчтүү жактарына бейтап деңгээлинде маалымат бөлүнүп, маалымат агып кетиши алдын алынганы, синтетикалык маалымат окутуу топтомуна гана кошулганы, көз карандысыз валидация топтому чыныгы жана көбөйтүлбөгөн сигналдардан турганы, көптөгөн эквиваленттүүлүк метрикалары колдонулганы, классикалык маалымат көбөйтүү ыкмалары менен түз салыштыруу жүргүзүлгөнү жана ар кандай көрсөткүчтөр берилгени кирет. Мындан тышкары ыкма bERG сигналынын убакыт жана жыштык мүнөздөмөлөрүн тең сактоого аракет кылгандыктан, биосигналдын түзүлүшүн сыйлаган маалымат көбөйтүү стратегиясын сунуштайт.

Чектөөлөр да айкын. Изилдөө рецензиядан өтпөгөн preprint. Маалымат топтомунда DME жазуулары аз: 430 жазуунун болгону 74ү DME классына таандык. Бул тең салмаксыздык сезгичтик маанилүү деңгээлде өспөй калышынын жана айрым метрикалар орточо бойдон калышынын себеби болушу мүмкүн. Маалыматтар эки клиникалык борбордон жана эки башка жазуу системасынан алынган; бул түзмөккө же борборго байланышкан өзгөрмөлүүлүк жаратышы мүмкүн. Синтетикалык сигналдар популяция деңгээлинде эквиваленттүү табылган; бирок бул ар бир синтетикалык сигнал жеке клиникалык чындыкты идеалдуу чагылдырат дегенди билдирбейт. Ошондой эле ыкма бир гана диабеттик макула шишигин классификациялоодо сыналган; башка тор кабык ооруларына жалпылоо мүмкүнчүлүгү көрсөтүлгөн эмес.

Изилдөөнүн айтканы: bERG сыяктуу татаал физиологиялык убакыт катарларында экинчи тартиптеги стохастикалык өтүү матрицасын жана FFT негизиндеги спектралдык оңдоону колдонуп, чыныгы сигналдарга статистикалык жактан эквиваленттүү синтетикалык сигналдарды түзүүгө болот. Бул синтетикалык сигналдар окутуу маалыматына көзөмөлдөнгөн түрдө кошулганда, көз карандысыз валидация топтомунда диабеттик макула шишигин классификациялоо көрсөткүчү жакшырган.

Изилдөөнүн айтпаганы: Бул ыкма диабеттик макула шишигин клиникада жалгыз өзү ишенимдүү диагноздойт дебейт. bERG OCTнин же офтальмологдун баалоосунун ордун басат дебейт. Синтетикалык маалымат чыныгы бейтаптардын бардык биологиялык ар түрдүүлүгүн толугу менен чагылдырат дебейт. Ошондой эле модель башка өлкөлөрдө, түзмөктөрдө, клиникалык популяцияларда же чоңураак маалымат топтомдорунда ошол эле көрсөткүчтү берет экени азырынча далилденген эмес.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Изилдөө диабеттик макула шишигин классификациялоо үчүн bERG сигналдарынан синтетикалык окутуу маалыматын түзүүгө арналган ыкманы иштеп чыгуу жана валидациялоо изилдөөсү. Ыкма чыныгы сигналдардын убакыт мейкиндигиндеги өтүү статистикасын жана жыштык мейкиндигиндеги спектралдык түзүлүшүн сактоону максат кылат.

Изилдөөдө түз берилген сигнал узундугу байланышы төмөнкүдөй:

\[ n = f_s \cdot s \]

Бул жерде n синтетикалык сигналдагы үлгүлөрдүн санын, f_s үлгүлөө жыштыгын, s болсо секунда менен сигналдын узактыгын билдирет. Изилдөөдө s = 20 секунд деп белгиленген.

Экинчи тартиптеги стохастикалык өтүү логикасы төмөнкү түшүндүрмө формула менен кыскача берилет:

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

Бул билдирүү сигналдын t учурдагы абалы бир мурунку абалга гана эмес, эки мурунку абалга байланыштуу ыктымалдык менен түзүлөрүн көрсөтөт. Бул bERG сыяктуу физиологиялык эс тутум таасири болушу мүмкүн болгон убакыт катарлары үчүн реалдуураак моделдөө божомолу.

FFTнин негизги түшүндүрмө байланышы:

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

Бул формула убакыт мейкиндигиндеги сигнал үлгүлөрүн жыштык мейкиндигиндеги компоненттерге айландырууну түшүндүрөт. Изилдөөдө бул өзгөртүү синтетикалык сигналдын жыштык амплитудаларын чыныгы bERG сигналдарында байкалган диапазондор менен шайкеш келтирүү үчүн колдонулган.

Чыныгы жана синтетикалык сигналдардын эквиваленттүүлүгү боюнча изилдөө DME жана DME эмес класстарда бардык өлчөмдөрдүн %95 ишеним интервалдары эквиваленттүүлүк чектеринин ичинде калганын билдирген. Орточо айырмалар көпчүлүк метрикаларда 0,03төн төмөн, MSE жана MAE айырмалары 0,003төн төмөн, Wasserstein айырмалары болжол менен −0,003, корреляция негизиндеги метрикалардагы айырмалар 0,001ден төмөн болгон. Эң чоң четтөө Hjorth complexity өлчөмүндө байкалса да, ал да алдын ала белгиленген эквиваленттүүлүк чектеринин ичинде калган.

Беш синтетикалык үлгү колдонулган стохастикалык маалымат көбөйтүү менен маалымат көбөйтүү колдонулбаган моделдин көз карандысыз валидация метрикаларын салыштырганда төмөнкүдөй көрүнүш чыгат:

Классикалык маалымат көбөйтүү ыкмалары менен салыштыруу да сунушталган ыкманын айырмасын көрсөтөт:

Бул жыйынтыктар сунушталган ыкма өзгөчө көз карандысыз валидация маалыматында жакшыраак жалпылоо бергенин көрсөтөт. Изилдөөнүн техникалык чечмелөөсү мындай: bERG сыяктуу татаал биосигналдарда ийгиликтүү маалымат көбөйтүү сигналды жөн гана өзгөртүп көбөйтүү эмес; сигналдын ыктымал өтүү түзүлүшүн, спектралдык бөлүштүрүлүшүн жана физиологиялык өзгөрмөлүүлүгүн бирге сактап жаңы үлгүлөрдү түзүү менен натыйжалуураак болушу мүмкүн.

Булак жана Ыкма Эскертүүсү

Бул макала Jorge Armando Hughes-Cano, Héctor Flores-Arguedas, María de Ángeles Pacheco-Blas, Ulises Olivares-Pinto жана Stephan C. Thébault тарабынан даярдалган “Synthetic basal electroretinograms for diabetic macular edema classification: a stochastic and frequency-domain modeling approach” аттуу изилдөөгө негизделген.

Булак текст preprint изилдөө макаласы. Текстте ачык түрдө “This preprint research paper has not been peer reviewed” деген сүйлөм бар. Ошондуктан изилдөө рецензиядан өтө элек жана жыйынтыктар клиникалык колдонмо же так диагностикалык стандарт катары бааланбашы керек.

Изилдөө диабеттик макула шишигине диагноз койгон клиникалык дарылоо изилдөөсү эмес. Изилдөөдө DME диагнозу OCT жыйынтыктары боюнча сертификатталган офтальмологдор тарабынан коюлган, bERG сигналдары болсо ушул белгилер боюнча классификация моделин окутуу жана баалоо үчүн колдонулган. Сунушталган ыкма bERG маалыматтарынан синтетикалык окутуу сигналдарын түзүүгө багытталган жасалма интеллект жана сигнал иштетүү ыкмасы болуп саналат.

Бул мазмунда PDFде жок клиникалык таасир, дарылоо ийгилиги, диагноз кепилдиги, түзмөктүн коопсуздугу, коммерциялык колдонуу мүмкүнчүлүгү же бейтап деңгээлиндеги так тобокелдик эсептөө дооматы кошулган эмес. Изилдөө көрсөткөн жыйынтыктар белгилүү бир маалымат топтомунда жана белгилүү классификация архитектурасы менен алынган методологиялык жыйынтыктар. Башка түзмөктөрдө, башка клиникалык борборлордо, башка бейтап топторунда же башка тор кабык ооруларында ошол эле көрсөткүч болот деп бул изилдөө далилдеген эмес.

Изилдөөнүн күчтүү жагы синтетикалык маалымат бир гана окутуу этабында колдонулганы жана көз карандысыз валидация топтому чыныгы, көбөйтүлбөгөн сигналдардан турганы. Ошентсе да DME класстагы чыныгы жазуулардын аздыгы, класстардын тең салмаксыздыгы, эки башка жазуу түзмөгү жана эки башка клиникалык борбордон маалымат чогултулганы сыяктуу чектөөлөр жыйынтыктарды чечмелөөдө эске алынышы керек.

Жыйынтыктап айтканда, изилдөө bERG сыяктуу физиологиялык убакыт катарларында стохастикалык өтүү матрицалары жана FFT негизиндеги спектралдык жөнгө салуу менен реалистик синтетикалык маалымат түзүү жасалма интеллект негизиндеги DME классификациясын көз карандысыз валидация маалыматында жакшырта аларын көрсөтөт. Бирок бул жыйынтык клиникада өз алдынча колдонууга даяр, тастыкталган диагностикалык система дегенди билдирбейт; чоңураак, тең салмактуу жана көп борборлуу изилдөөлөрдө текшерилиши керек болгон методологиялык салым.