Edema ya makula ya kisukari ni tatizo muhimu la retina ambalo linaweza kusababisha kupoteza uwezo wa kuona kwa watu wenye kisukari cha aina ya 2. Makula ni eneo la retina linalohusika na uoni wa kati. Katika edema ya makula ya kisukari, unene wa retina na mkusanyiko wa maji nje ya seli huonekana katika eneo hili. Utafiti unaeleza kuwa maambukizi yaliyoripotiwa ya hali hii duniani yanaweza kutofautiana kati ya %3,2 na %11. Aidha, ingawa hatari huongezeka kadiri muda wa kuwa na kisukari unavyoongezeka, inasisitizwa kuwa ugunduzi wa mapema ni muhimu katika usimamizi wa macho kwa sababu edema ya makula ya kisukari inaweza pia kutokea katika hatua za mwanzo za ugonjwa.

Katika tathmini ya kawaida ya kliniki, utambuzi wa edema ya makula ya kisukari hutegemea matokeo ya tomografia ya mshikamano wa macho, yaani OCT. Katika utafiti huu pia, utambuzi wa edema ya makula ya kisukari uliwekwa na wataalamu wa macho walioidhinishwa kwa kuzingatia matokeo ya OCT kama vile kuenea kwa unene wa retina, mkusanyiko wa maji nje ya seli, nafasi za cystoid au mabadiliko ya kimuundo. Kwa hiyo, uainishaji unaotegemea bERG katika utafiti haukuchukuliwa kama mbinu huru ya utambuzi wa uhakika inayochukua nafasi ya utambuzi wa kliniki, bali kama tatizo la uainishaji linalotegemea ishara hai ambalo linaweza kukamilisha mbinu zilizopo za upigaji picha na tathmini ya kliniki.

Ishara hai iliyo katikati ya utafiti ni elektroretinogramu ya msingi. Katika matumizi ya kawaida ya elektroretinogramu, retina hupewa kichocheo cha mwanga na mwitikio wake wa umeme kwa kichocheo hicho hupimwa. Katika elektroretinogramu ya msingi, shughuli ya umeme ya retina inayojitokeza yenyewe hurekodiwa katika hali za fotopiki, yaani za mwanga wa mchana, bila kutoa kichocheo cha nje cha kuona. Kwa sifa hii, bERG ni mbinu isiyo vamizi ya upimaji inayolenga kunasa mabadiliko ya ndani katika utendaji wa retina. Utafiti unaeleza kuwa kwa sababu bERG inaweza kurekodiwa kwa vifaa vya ERG vinavyobebeka na elektrodi za ngozi, ina uwezo wa kiutendaji kwa uchunguzi wa retina na ugunduzi wa mapema wa hitilafu za kiutendaji.

Hata hivyo, kuna matatizo mawili makuu yanayofanya matumizi ya ishara za bERG katika uainishaji wa kiotomatiki kuwa magumu. La kwanza ni uhaba wa data. Kukusanya rekodi za ishara hai zenye ubora kutoka kwa makundi ya wagonjwa yaliyofafanuliwa vizuri yenye magonjwa maalum ya retina kunahitaji muda, gharama na ushirikiano wa kliniki. La pili ni kutokuwiana kwa madarasa. Katika utafiti huu, idadi ya rekodi zilizo na edema ya makula ya kisukari ilikuwa 74, huku idadi ya rekodi zisizo na edema ya makula ya kisukari ikiwa 356. Katika seti za data zisizo na uwiano kama hizi, miundo ya akili bandia inaweza kujifunza darasa lenye wingi kwa urahisi zaidi na kuwa na ugumu zaidi kutofautisha mifano yenye ugonjwa, ambayo ni darasa la wachache.

Kuongeza data ni mbinu inayotumika kupunguza matatizo ya aina hii. Lengo ni kuzalisha mifano mipya ya mafunzo kutoka kwa data iliyopo. Katika data ya picha, mbinu kama kuzungusha, kukata na kubadilisha mwangaza hutumika mara nyingi. Katika mfululizo wa muda, mbinu kama jittering, kuhamisha muda, kubahatisha awamu, interpolation na MixUp zinaweza kutumika. Hata hivyo, watafiti wanasema kuwa katika ishara hai changamano kama bERG, mbinu hizi za kawaida huenda zisiwakilishe vya kutosha muundo wa kifiziolojia na wa spektra ulio chini ya ishara.

Ukosoaji huu ni muhimu; kwa sababu ishara ya bERG inayopatikana kwa elektrodi za ngozi huenda isiundwe na shughuli ya retina pekee. Utafiti unaeleza kuwa ishara hizi zinaweza kuathiriwa na vyanzo vingi, ikiwa ni pamoja na shughuli ya retina, uashiriaji wa glia, mpigo wa moyo, mpigo wa kupumua, shughuli ya misuli, kelele ya umeme kutoka kwenye kifaa, mabadiliko ya kiunganishi cha elektrodi na ngozi, na artefakti za mwendo. Kwa hiyo bERG si wimbi moja laini; ni ishara changamano yenye muundo wa muda na masafa ambapo vyanzo mbalimbali vya kibayolojia na visivyo vya kibayolojia vinaingiliana.

Kwa sababu hiyo, utafiti unapendekeza kuunda modeli ya ishara ya bERG kama mchakato wa kistokastiki. Mchakato wa kistokastiki unaweza kufikiriwa kama mfumo unaoendelea kadiri muda unavyopita na kubadilika katika kila hatua kulingana na uwezekano fulani. Wazo la msingi hapa ni hili: Thamani inayofuata ya ishara si ya bahati nasibu kabisa; inaathiriwa na thamani zilizotangulia. Kwa mfano, katika michakato ya kifiziolojia kama mpigo wa moyo, mzunguko wa kupumua au mwingiliano wa retina na glia, hali ya sasa hubeba athari ya hali zilizopita. Katika utafiti huu, matrix ya mpito ya daraja la pili ilitumika kunasa athari hii ya kumbukumbu ya muda mfupi.

Uhusiano wa msingi wa urefu unaotumiwa wazi katika utafiti ni huu:

\[ n = f_s \cdot s \]

Hapa n ni idadi ya sampuli za ishara sintetiki itakayozalishwa; f_s ni masafa ya usampulishaji; na s ni muda wa ishara unaotakiwa kwa sekunde. Katika utafiti, vipande sintetiki viliwekwa kuwa sekunde 20. Kwa kuwa ishara zilisampuliwa upya hadi 200 Hz baada ya uchakataji wa awali, kipande cha sekunde 20 kina takribani sampuli 4.000. Uhusiano huu ni jibu la kihisabati kwa swali la “ishara yenye pointi ngapi itazalishwa?” katika uzalishaji wa mfululizo wa muda.

Ili kueleza mantiki ya matrix ya mpito ya daraja la pili, uhusiano huu wa msingi unaweza kutumiwa:

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

Hapa X_t ni hali tofauti ya ishara wakati t; x_i, x_j na x_k ni hali tofauti zinazotokana na viwango vya voltage; na P ni uwezekano wa mpito wenye masharti. Fomula hii imetolewa ili kueleza mantiki ya utafiti. Wakati modeli ya daraja la kwanza huangalia hali moja tu iliyotangulia, modeli ya daraja la pili huzingatia hali mbili zilizotangulia. Kwa hivyo kumbukumbu ya muda mfupi ya ishara inaweza kuwakilishwa kwa uhalisia zaidi.

Mstari wa uzalishaji wa utafiti umefupishwa katika Kielelezo 1. Kwanza, ishara halisi ya bERG ya sekunde 240 hugawanywa katika idadi fulani ya hali tofauti kwenye mhimili wa voltage. Utaratibu huu hubadilisha thamani endelevu za amplitude kuwa idadi ndogo ya hali za alama. Kisha mfuatano huu tofauti huundwa kwa matrix ya mpito ya daraja la pili. Uwezekano wa mpito hurekebishwa kwa Laplacian smoothing; marekebisho haya husaidia kuzuia modeli kuwa ngumu kupita kiasi kwa sababu baadhi ya mipito haikuonekana kamwe. Baadaye mwendo wa nasibu huzalishwa kulingana na uwezekano huu. Mwendo huu huunda kiunzi ghafi cha ishara sintetiki.

Kwa kuwa mifuatano inayozalishwa kwa mwendo wa nasibu inatokana na mipito kati ya hali tofauti, inaweza kuwa mikali zaidi na yenye ngazi kuliko ishara asilia. Kwa hiyo watafiti walilainisha ishara kwa kutumia kichujio cha Savitzky–Golay. Kichujio hiki hupunguza mipito mikali ya ghafla huku kikijaribu kuhifadhi umbo la jumla la ishara. Urefu wa dirisha la kichujio na daraja la polinomu vilichukuliwa kama vigezo vinavyoweza kurekebishwa. Katika vigezo vya mwisho vilivyoboreshwa, ukubwa wa dirisha la Savitzky–Golay ulichaguliwa kuwa 45 na daraja la polinomu kuwa 4.

Sehemu kubwa ya pili ya mbinu ni urekebishaji wa kikoa cha masafa. Ishara haijaundwa tu na mabadiliko kwenye mhimili wa muda; pia hufafanuliwa na nguvu ya vipengele mbalimbali vya masafa. Kwa sababu hiyo, utafiti ulilinganisha spektra za masafa za vipande vya ishara halisi na sintetiki kwa kutumia Fast Fourier Transform, yaani FFT. Mantiki ya msingi ya FFT inaweza kueleweka kwa uhusiano huu:

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

Hapa x_n ni sampuli za ishara katika kikoa cha muda; X_k ni mgawo changamano wa Fourier katika sehemu ya masafa k; N ni jumla ya idadi ya sampuli; na i ni kitengo dhahania. Fomula hii ni uhusiano wa msingi wa usuli uliotolewa kueleza mbinu ya FFT iliyotumiwa katika utafiti. Kwa urahisi, FFT hubadilisha swali la “ishara inabadilikaje kadiri muda unavyopita?” kuwa swali la “ina nishati kiasi gani katika masafa gani?”

Katika utafiti, viwango vya chini na vya juu vya ukubwa vilihesabiwa kwa kila sehemu ya masafa ya ishara halisi. Ikiwa ukubwa wa ishara sintetiki katika masafa fulani ulitoka nje ya kiwango hiki halisi, ukubwa huo ulipewa tena kwa nasibu ndani ya kiwango kilichoonekana katika data halisi. Taarifa ya awamu ilihifadhiwa, kisha FFT kinyume ilitumika kupata ishara ya mwisho sintetiki. Hatua hii inalenga kuifanya ishara sintetiki ifanane na bERG halisi si tu katika kikoa cha muda, bali pia katika muundo wa spektra.

Vigezo vya modeli viliboreshwa kwa kina. Watafiti walitathmini usanidi 3.456 wa vigezo kwa grid search. Uboreshaji ulifanywa tu kwenye vipande tofauti vya ishara vya sekunde 20 vilivyotolewa kutoka seti ya mafunzo na ulifanywa kando kwa madarasa ya DME na yasiyo ya DME. Mbinu hii ni muhimu ili kuzuia kuvuja kwa data; kwa sababu ikiwa data ya uthibitishaji ingekuwa sehemu ya uzalishaji wa ishara sintetiki au uteuzi wa vigezo, utendaji wa kweli wa modeli kwenye data huru ungeweza kuonekana kuwa wa juu kuliko ulivyo.

Ufanano wa ishara halisi na sintetiki haukutathminiwa kwa kipimo kimoja tu. MSE na MAE zilitumika kama vipimo vya makosa; Pearson correlation na Lin’s concordance correlation coefficient kama vipimo vya ufanano na upatanifu; Minkowski, Wasserstein na Jensen–Shannon divergence kama umbali wa usambazaji; sample entropy, spectral entropy na mutual information kwa ugumu; na Hjorth activity, mobility na complexity kwa sifa za mienendo. Seti hii pana ya vipimo inaonyesha kuwa haikuangaliwa tu kosa la wastani la ishara, bali pia usambazaji wake, muundo wa masafa, kutokuwa na mpangilio na tabia yake ya mienendo.

Kielelezo 2 kinaonyesha uboreshaji wa vigezo pamoja na uchambuzi wa ulinganifu kati ya ishara halisi na sintetiki. Vigezo vya mwisho vilivyoboreshwa vimeripotiwa kuwa β = 0, ukubwa wa dirisha la Savitzky–Golay 45, daraja la polinomu la Savitzky–Golay 4, α = 1e−20 na hali 200 kwa matrix ya mpito ya daraja la pili. Katika paneli ya ulinganifu ya kielelezo hicho, inaonekana kuwa kwa madarasa ya DME na yasiyo ya DME, vipindi vya kujiamini vya vipimo vyote vilibaki ndani ya mipaka ya ulinganifu. Hii haimaanishi kwamba ishara sintetiki ni nakala za rekodi halisi moja baada ya nyingine; bali inaonyesha kuwa katika kiwango cha idadi ya watu zinatenda kwa namna inayolingana na ishara halisi kwa takwimu, spektra na mienendo.

Katika utafiti, tathmini ya ulinganifu ilifanywa kwa mbinu ya TOST. TOST inategemea mantiki ya vipimo viwili vya upande mmoja na hutoa mfumo wa takwimu wenye tahadhari zaidi kuliko kusema tu “hakuna tofauti kati ya makundi mawili.” Watafiti walifafanua kikomo cha ulinganifu kwa kila kipimo kuwa %5 ya wastani uliohesabiwa kutoka kwenye ulinganisho wa halisi na rejea, na walitumia kikomo cha chini kabisa cha 0,05 kwa thamani kamili ili kuzuia mipaka kuwa finyu mno. Ulinganifu ulikubaliwa wakati vipindi vya kujiamini vya %95 vya tofauti kati ya sintetiki na halisi vilibaki ndani ya mipaka hii.

Katika upande wa uainishaji wa utafiti, usanifu wa modeli una matawi mawili. Tawi la kwanza hutumia mtandao wa neva wa konvolusheni wa 1D kunasa sifa za kikoa cha muda. Tawi la pili hutumia kizuizi kinachoweza kujifunza kinachotegemea FFT kunasa sifa za kikoa cha masafa. Uwakilishi uliotolewa na matawi yote mawili huchakatwa kwa miundo ya Transformer encoder; kwa njia hii utegemezi wa muda wa masafa marefu zaidi huundwa. Katika hatua ya mwisho, uwakilishi uliounganishwa hubadilishwa kwa mtandao uliounganishwa kikamilifu na uanzishaji wa sigmoid kuwa uainishaji wa madarasa mawili: DME ipo au DME haipo.

Kielelezo 3 kinaonyesha utendaji wa msingi wa uainishaji uliopatikana bila kutumia kuongeza data. Mikondo ya mafunzo na ya jaribio la ndani ilionyesha ujifunzaji thabiti kwa kukaribia kiwango cha usahihi cha takribani 0,80. Hata hivyo, katika seti huru ya uthibitishaji ROC-AUC ilikuwa 0,746. Unyeti ulikuwa 0,704, umaalum 0,697, usahihi 0,631, precision 0,232, alama ya F1 0,357 na Cohen kappa 0,194. Katika matrix ya mkanganyiko, kulikuwa na 119 true positive, 33 false negative, 395 false positive na 612 true negative. Idadi kubwa ya false positive inaendana na kutokuwiana kwa madarasa na ugumu wa kuainisha ishara.

Mabadiliko ya utendaji baada ya kuongeza data yanaonyeshwa katika Kielelezo 4 na Kielelezo 5. Watafiti walijaribu kuzalisha ishara sintetiki kutoka 1 hadi 10 kwa kila mfano halisi, na waligundua kuwa utendaji uliimarika hadi ishara sintetiki tano, lakini ulianza kushuka kwa kuongeza zaidi, hasa katika uthibitishaji huru. Kwa hiyo, ulinganisho uliodhibitiwa ulifanywa katika kiwango cha ishara sintetiki 1–5. Ishara sintetiki tano zilipotumika, hasara ya mafunzo ilishuka kutoka 0,391 hadi 0,329, na hasara ya jaribio la ndani kutoka 0,395 hadi 0,268. Usahihi wa mafunzo uliongezeka kutoka 0,819 hadi 0,851, na usahihi wa jaribio la ndani kutoka 0,810 hadi 0,895.

Jambo muhimu zaidi ni kwamba utendaji uliongezeka katika seti huru ya uthibitishaji. Kwa sababu seti hii imeundwa tu na ishara halisi zisizoongezwa; haikutumika katika mafunzo ya modeli wala uzalishaji wa ishara sintetiki. Kwa kuongeza data ya kistokastiki, thamani za ROC-AUC ziliongezeka kadiri idadi ya mifano sintetiki ilivyoongezeka: 0,746 bila kuongeza data, 0,751 katika kuongeza 1:1, 0,770 katika kuongeza 2:1, 0,786 katika kuongeza 3:1, 0,816 katika kuongeza 4:1 na 0,826 katika kuongeza 5:1. Kuanzia mifano mitatu sintetiki, uboreshaji ulikuwa na umuhimu wa kitakwimu, na katika mifano minne na mitano sintetiki kiwango cha umuhimu kilikuwa kikubwa zaidi.

Ishara sintetiki tano kwa kila mfano halisi zilipotumika, unyeti haukubadilika kwa kiwango cha maana ikilinganishwa na modeli isiyotumia kuongeza data: 0,762 dhidi ya 0,749. Kwa upande mwingine, umaalum uliongezeka kutoka 0,607 hadi 0,777, usahihi kutoka 0,631 hadi 0,776, alama ya F1 kutoka 0,357 hadi 0,474, precision kutoka 0,231 hadi 0,343 na Cohen kappa kutoka 0,194 hadi 0,358. Jedwali hili linaonyesha kuwa mbinu ilichangia hasa kwa kupunguza false positive na kuboresha uwezo wa jumla wa kutofautisha. Hata hivyo, uwezo wa kunasa kesi za DME, yaani unyeti, haukuongezeka kwa kiwango cha maana; sababu inayowezekana ni idadi ndogo ya rekodi halisi katika darasa la DME.

Kielelezo 6 kinalinganisha mbinu iliyopendekezwa na mbinu za kawaida za kuongeza data ya mfululizo wa muda. Kwa kuzalisha idadi ileile, yaani mifano sintetiki mitano kwa kila mfano halisi, jittering, kuhamisha muda, kubahatisha awamu, interpolation na MixUp zilijaribiwa. Jambo la kuvutia ni kwamba mbinu hizi za kawaida ziliweza kuonyesha hasara ndogo au usahihi mkubwa katika hatua za mafunzo na jaribio la ndani. Hata hivyo, katika seti huru ya uthibitishaji, mbinu ya kistokastiki iliyopendekezwa ilitoa utendaji bora kwa uwazi. AUC ya mbinu ya kistokastiki ilikuwa 0,826, huku jittering ikiwa 0,749, kuhamisha muda 0,733, kubahatisha awamu 0,729, interpolation 0,733 na MixUp 0,735.

Matokeo haya ni mojawapo ya ujumbe mkuu wa kisayansi wa makala: Mbinu ya kuongeza data inayoonekana kufanya vizuri katika seti ya mafunzo huenda isiwe ndiyo inayotoa ujanibishaji bora zaidi kwenye data huru halisi ya wagonjwa. Mbinu za kawaida hutumia mabadiliko ya ndani au ya kideterministi kwa ishara asilia; kwa hiyo zinaweza pia kuhifadhi baadhi ya kelele au artefakti maalum za darasa. Mbinu ya kistokastiki iliyopendekezwa, kwa upande mwingine, inajaribu kuzalisha mifano mipya lakini inayowezekana kifiziolojia kwa kuunda modeli ya muundo wa uwezekano wa mpito na wasifu wa masafa wa ishara. Hii inaweza kutoa ujanibishaji wenye nguvu zaidi katika uthibitishaji huru.

Umuhimu wa utafiti katika muktadha wa historia ni kwamba unapendekeza suluhisho linalolingana na mchakato wa kifiziolojia kwa tatizo la uhaba wa data na kutokuwiana kwa madarasa katika uainishaji wa ishara za kibayomedikali, zaidi ya kuongeza data kwa njia za kawaida. Hasa kwa ishara za retina kama ERG, miundo inayohitaji data nyingi kama generative adversarial network imetumika hapo awali katika uzalishaji wa data sintetiki. Utafiti huu, kwa upande mwingine, unatoa mfumo wa uzalishaji wa kistokastiki ulio rahisi zaidi, unaoeleweka zaidi na unaoweza kufanya kazi katika seti ndogo na zisizo na uwiano.

Umuhimu wake kwa sasa ni kwamba unaonyesha jinsi data ya mafunzo inaweza kuimarishwa katika miundo ya akili bandia inayoweza kusaidia ugunduzi wa mapema wa tatizo la kliniki linalohusiana na kupoteza uwezo wa kuona kama edema ya makula ya kisukari. Kwa kuwa bERG inaweza kupatikana kwa vifaa vinavyobebeka kwa njia isiyo vamizi, inaweza kuwa ishara ya nyongeza katika mifumo ya uchunguzi wa retina na usaidizi wa maamuzi kwa muda mrefu. Hata hivyo, utafiti huu hauonyeshi kuwa mfumo kama huo wa kliniki tayari uko tayari; unaonyesha tu kwamba matumizi ya data sintetiki katika mafunzo ya modeli ya uainishaji yanaweza kuongeza utendaji.

Kwa upande wa siku zijazo, utafiti unapendekeza kuwa mbinu zinazofanana za kuongeza data za kistokastiki na kudhibiti kikoa cha masafa zinaweza kujaribiwa si kwa bERG pekee, bali pia kwa EEG, EKG, ishara za kupumua au mfululizo mwingine wa muda wa kifiziolojia. Hata hivyo, haiwezi kusemwa kwamba vigezo vilevile vitatumika kwa kila aina ya ishara, kila ugonjwa na kila itifaki ya kurekodi. Waandishi pia wanaeleza kwamba ikiwa mbinu itatumika kwa hali nyingine za retina, vifaa tofauti au malengo mengine ya utambuzi, huenda vigezo vikahitaji kuboreshwa upya.

Kwa athari katika maisha ya kila siku, utafiti huu unaonyesha kuwa akili bandia kufanya kazi kwa kuaminika katika tiba kunahitaji si algorithimu zenye nguvu pekee, bali pia data ya mafunzo ya kutosha na yenye uwiano. Katika ugonjwa wa kawaida kama kisukari, uchunguzi wa mapema unaweza kuwa muhimu ili kuzuia kupoteza uwezo wa kuona. Hata hivyo, si kila kituo cha kliniki kina seti kubwa na zenye uwiano za data ya ishara hai. Kuzalisha ishara sintetiki za mafunzo bila kuharibu muundo wa data halisi kunaweza kuchangia maendeleo ya zana za usaidizi wa maamuzi zinazopatikana kwa urahisi zaidi katika siku zijazo. Hata hivyo, hii haimaanishi kwamba wagonjwa watapata utambuzi kwa matokeo ya akili bandia pekee; tathmini ya kliniki, OCT na tafsiri ya daktari bingwa bado ni za kuamua.

Miongoni mwa nguvu za utafiti ni kuzuia kuvuja kwa data kwa kugawa data katika kiwango cha mgonjwa, kutumia data sintetiki katika seti ya mafunzo pekee, kuwa na seti huru ya uthibitishaji iliyoundwa na ishara halisi zisizoongezwa, kutumia idadi kubwa ya vipimo vya ulinganifu, kufanya ulinganisho wa moja kwa moja na mbinu za kawaida za kuongeza data, na kuripoti vipimo mbalimbali vya utendaji. Aidha, kwa kuwa mbinu inalenga kuhifadhi sifa za muda na masafa za ishara ya bERG, inatoa mkakati wa kuongeza data unaoheshimu zaidi muundo wa ishara hai.

Vizuizi vinaonekana pia wazi. Utafiti ni preprint ambayo haijapitia tathmini ya rika. Rekodi za DME ni chache katika seti ya data: ni 74 tu kati ya rekodi 430 zilizo katika darasa la DME. Kutokuwiana huku kwa madarasa kunaweza kuwa sababu ya kutoweza kuongeza unyeti kwa kiwango cha maana na ya baadhi ya vipimo kubaki katika kiwango cha kati. Data ilipatikana kutoka vituo viwili vya kliniki na mifumo miwili tofauti ya kurekodi; hali hii inaweza kuleta mabadiliko yanayotokana na kifaa au kituo. Ishara sintetiki zilionekana kuwa sawa katika kiwango cha idadi ya watu; lakini hii haimaanishi kwamba kila ishara sintetiki inawakilisha kikamilifu uhalisia wa kliniki wa mtu binafsi. Aidha, mbinu ilijaribiwa kwa uainishaji wa edema ya makula ya kisukari pekee; uwezo wake wa kuhamishwa kwa magonjwa mengine ya retina haujaonyeshwa.

Kile utafiti unachosema ni hiki: Katika mfululizo changamano wa muda wa kifiziolojia kama bERG, inawezekana kuzalisha ishara sintetiki zilizo sawa kwa takwimu na ishara halisi kwa kutumia matrix ya mpito ya kistokastiki ya daraja la pili na urekebishaji wa spektra unaotegemea FFT. Ishara hizi sintetiki zilipoongezwa kwa namna iliyodhibitiwa kwenye data ya mafunzo, utendaji wa uainishaji wa edema ya makula ya kisukari uliongezeka katika seti huru ya uthibitishaji.

Kile ambacho utafiti hausemi ni hiki: Hausemi kwamba mbinu hii inaweza kutambua edema ya makula ya kisukari kwa kuaminika peke yake katika kliniki. Hausemi kwamba bERG inachukua nafasi ya OCT au tathmini ya daktari wa macho. Hausemi kwamba data sintetiki inawakilisha kikamilifu utofauti wote wa kibayolojia wa wagonjwa halisi. Aidha, bado haijathibitishwa kwamba modeli itaonyesha utendaji uleule katika nchi, vifaa, makundi ya kliniki au seti kubwa zaidi za data tofauti.

Mbinu na Matokeo ya Utafiti

Utafiti ni kazi ya kuendeleza na kuthibitisha mbinu ya kuzalisha data sintetiki ya mafunzo kutoka kwa ishara za bERG kwa ajili ya uainishaji wa edema ya makula ya kisukari. Mbinu inalenga kuhifadhi takwimu za mpito katika kikoa cha muda na muundo wa spektra katika kikoa cha masafa wa ishara halisi.

Uhusiano wa urefu wa uzalishaji uliotolewa wazi katika utafiti ni huu:

\[ n = f_s \cdot s \]

Hapa n ni idadi ya sampuli katika ishara sintetiki, f_s ni masafa ya usampulishaji, na s ni muda wa ishara kwa sekunde. Katika utafiti, s = sekunde 20.

Mantiki ya mpito wa kistokastiki wa daraja la pili inaweza kufupishwa kwa fomula hii ya maelezo:

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

Usemi huu unaonyesha kwamba hali ya ishara wakati t huzalishwa kwa uwezekano unaotegemea si hali moja tu iliyotangulia, bali hali mbili zilizotangulia. Hii ni dhana ya uundaji wa modeli iliyo halisi zaidi kwa mfululizo wa muda kama bERG ambao unaweza kuwa na athari ya kumbukumbu ya kifiziolojia.

Uhusiano wa msingi wa maelezo wa FFT ni huu:

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

Fomula hii inaeleza ubadilishaji wa sampuli za ishara katika kikoa cha muda kuwa vipengele katika kikoa cha masafa. Katika utafiti, ubadilishaji huu ulitumika kufanya ukubwa wa masafa ya ishara sintetiki ulingane na viwango vilivyoonekana katika ishara halisi za bERG.

Kwa ulinganifu wa ishara halisi na sintetiki, utafiti uliripoti kwamba katika madarasa ya DME na yasiyo ya DME, vipindi vya kujiamini vya %95 vya vipimo vyote vilibaki ndani ya mipaka ya ulinganifu. Tofauti za wastani zilikuwa chini ya 0,03 katika vipimo vingi, tofauti za MSE na MAE chini ya 0,003, tofauti za Wasserstein takribani −0,003 na tofauti katika vipimo vinavyotegemea korelesheni chini ya 0,001. Ingawa mkengeuko mkubwa zaidi ulionekana katika kipimo cha Hjorth complexity, thamani hii pia ilibaki ndani ya mipaka ya ulinganifu iliyofafanuliwa mapema.

Ulinganisho wa vipimo vya uthibitishaji huru kati ya kuongeza data ya kistokastiki kwa mifano sintetiki mitano na modeli isiyotumia kuongeza data unaonyesha jedwali lifuatalo:

Ulinganisho na mbinu za kawaida za kuongeza data pia unaonyesha sifa bainifu ya mbinu iliyopendekezwa:

Matokeo haya yanaonyesha kuwa mbinu iliyopendekezwa hutoa ujanibishaji bora zaidi hasa katika data huru ya uthibitishaji. Tafsiri ya kiufundi ya utafiti ni hii: katika ishara hai changamano kama bERG, kuongeza data kwa mafanikio kunaweza kuwa na ufanisi zaidi ikiwa si kuzidisha ishara kwa kuibadilisha tu, bali kuzalisha mifano mipya huku muundo wa uwezekano wa mpito, usambazaji wa spektra na mabadiliko ya kifiziolojia ya ishara vikihifadhiwa pamoja.

Chanzo na Dokezo la Mbinu

Makala hii imeandaliwa kwa kutegemea utafiti wenye kichwa “Synthetic basal electroretinograms for diabetic macular edema classification: a stochastic and frequency-domain modeling approach” ulioandaliwa na Jorge Armando Hughes-Cano, Héctor Flores-Arguedas, María de Ángeles Pacheco-Blas, Ulises Olivares-Pinto na Stephan C. Thébault.

Maandishi chanzo ni makala ya utafiti ya preprint. Maandishi yana kauli ya wazi “This preprint research paper has not been peer reviewed”. Kwa hiyo utafiti haujapitia tathmini ya rika na matokeo hayapaswi kuchukuliwa kama mwongozo wa matumizi ya kliniki au kiwango cha utambuzi wa uhakika.

Utafiti si jaribio la kliniki la matibabu linaloweka utambuzi wa edema ya makula ya kisukari. Katika utafiti, utambuzi wa DME uliwekwa na wataalamu wa macho walioidhinishwa kwa kuzingatia matokeo ya OCT, huku ishara za bERG zikitumika kufundisha na kutathmini modeli ya uainishaji kulingana na lebo hizi. Mbinu iliyopendekezwa ni njia ya akili bandia na uchakataji wa ishara inayolenga kuzalisha ishara sintetiki za mafunzo kutoka data ya bERG.

Katika maudhui haya, hakuna madai yaliyoongezwa kuhusu athari za kliniki, mafanikio ya matibabu, dhamana ya utambuzi, usalama wa kifaa, uwezekano wa kibiashara au hesabu ya uhakika ya hatari kwa mgonjwa ambayo hayapo katika PDF. Matokeo yaliyotolewa na utafiti ni matokeo ya kimbinu yaliyopatikana katika seti maalum ya data na usanifu maalum wa uainishaji. Utafiti huu haujathibitisha kuwa utendaji uleule utatumika kwa vifaa tofauti, vituo tofauti vya kliniki, makundi tofauti ya wagonjwa au magonjwa mengine ya retina.

Nguvu ya utafiti ni kwamba data sintetiki ilitumika tu katika hatua ya mafunzo na seti huru ya uthibitishaji iliundwa na ishara halisi zisizoongezwa. Hata hivyo, idadi ndogo ya rekodi halisi katika darasa la DME, kutokuwiana kwa madarasa, na ukusanyaji wa data kwa vifaa viwili tofauti vya kurekodi na kutoka vituo viwili tofauti vya kliniki ni vikwazo vinavyopaswa kuzingatiwa katika kutafsiri matokeo.

Kwa hitimisho, utafiti unaonyesha kwamba katika mfululizo wa muda wa kifiziolojia kama bERG, uzalishaji wa data sintetiki halisi kwa kutumia matrix za mpito za kistokastiki na urekebishaji wa spektra unaotegemea FFT unaweza kuboresha uainishaji wa DME unaotegemea akili bandia katika data huru ya uthibitishaji. Hata hivyo, matokeo haya hayamaanishi mfumo wa utambuzi uliothibitishwa unaoweza kutumiwa peke yake kliniki; ni mchango wa kimbinu unaohitaji kuthibitishwa kwa tafiti kubwa zaidi, zenye uwiano na za vituo vingi.