Diyabetik makula shishi 2-tur diabeti bor shaxslarda ko‘rish pasayishiga olib kelishi mumkin bo‘lgan muhim retina asoratidir. Makula retinaning markaziy ko‘rish uchun javob beradigan qismidir. Diyabetik makula shishida bu hududda retina qalinlashishi va hujayra tashqarisi suyuqlik to‘planishi kuzatiladi. Tadqiqotda bu holatning dunyo bo‘yicha bildirilgan tarqalishi %3,2 dan %11 gacha o‘zgarishi mumkinligi aytiladi. Shuningdek, diabet davomiyligi uzaygan sari xavf ortishi ta’kidlanadi, biroq kasallikning erta bosqichlarida ham diyabetik makula shishi rivojlanishi mumkinligi sababli erta aniqlash oftalmologik boshqaruvda muhim ekani urg‘ulanadi.

An’anaviy klinik baholashda diyabetik makula shishi tashxisi optik koherens tomografiya, ya’ni OCT natijalariga asoslanadi. Ushbu tadqiqotda ham diyabetik makula shishi sertifikatlangan oftalmologlar tomonidan OCT da keng tarqalgan retina qalinlashuvi, hujayra tashqarisi suyuqlik to‘planishi, kistoid bo‘shliqlar yoki strukturaviy o‘zgarishlar kabi belgilar asosida qo‘yilgan. Demak, tadqiqotdagi bERG asosli tasnif klinik tashxis o‘rnini bosuvchi mustaqil aniq tashxis usuli sifatida emas, balki mavjud klinik tasvirlash va baholash yondashuvlarini to‘ldira oladigan biosignal asosli tasnif muammosi sifatida ko‘rilgan.

Tadqiqot markazidagi biosignal bazal elektroretinogrammadir. Klassik elektroretinogramma amaliyotlarida retinaga yorug‘lik stimul beriladi va retinaning bu stimulga elektr javobi o‘lchanadi. Bazal elektroretinogrammada esa tashqi ko‘rish stimulisiz, fotopik ya’ni kunduzgi yorug‘lik sharoitida retinaning spontan elektr faolligi qayd etiladi. Shu jihatdan bERG retina funksiyasidagi ichki tebranishlarni ushlashga urinadigan noinvaziv o‘lchov yondashuvidir. Tadqiqotda bERG ko‘chma ERG qurilmalari va teri elektrodlari bilan yozib olinishi mumkinligi sababli retina skriningi va erta funksional buzilishni aniqlashda amaliy salohiyatga ega ekani aytiladi.

Ammo bERG signallarini avtomatik tasniflashni qiyinlashtiradigan ikki asosiy muammo bor. Birinchisi — ma’lumot yetishmasligi. Muayyan retina kasalliklariga ega aniq belgilangan bemor guruhlaridan sifatli biosignal yozuvlarini yig‘ish vaqt, xarajat va klinik hamkorlik talab qiladi. Ikkinchisi — sinf nomutanosibligi. Ushbu tadqiqotda diyabetik makula shishi bor yozuvlar soni 74 ta bo‘lsa, diyabetik makula shishi yo‘q yozuvlar soni 356 ta edi. Bunday nomutanosib ma’lumotlar to‘plamida sun’iy intellekt modellar ko‘p sonli sinfni yaxshiroq o‘rganib, kam sonli kasallik sinfini ajratishda qiynalishi mumkin.

Ma’lumotni ko‘paytirish bu kabi muammolarni yumshatish uchun ishlatiladigan yondashuvdir. Maqsad — mavjud ma’lumotdan yangi o‘quv namunalarini yaratish. Tasvir ma’lumotlarida aylantirish, qirqish, yorug‘likni o‘zgartirish kabi usullar ko‘p ishlatiladi. Vaqt qatorlarida esa jittering, vaqt siljitish, fazani tasodifiylashtirish, interpolatsiya va MixUp kabi usullar qo‘llanishi mumkin. Biroq tadqiqotchilar bERG kabi murakkab biosignalda bu klassik texnikalar signalning ostidagi fiziologik va spektral tuzilmani yetarlicha aks ettirmasligi mumkinligini ta’kidlaydi.

Bu tanqid muhim; chunki teri elektrodlari bilan olingan bERG signali faqat retina faolligidan iborat bo‘lmasligi mumkin. Tadqiqotda bu signallar retinal faoliyat bilan birga glial signal uzatish, yurak ritmi, nafas ritmi, mushak faolligi, qurilmadan keladigan elektr shovqin, elektrod–teri interfeysi o‘zgaruvchanligi va harakat artefaktlari kabi ko‘plab manbalardan ta’sirlanishi mumkinligi aytiladi. Ya’ni bERG — bitta silliq to‘lqin emas; balki turli biologik va biologik bo‘lmagan manbalar ustma-ust tushgan, vaqt va chastota tuzilmasiga ega murakkab signaldir.

Shu sababli tadqiqot bERG signalini stokastik jarayon sifatida model qilishni taklif qiladi. Stokastik jarayon vaqt bo‘yicha oldinga siljiydigan va har bir bosqichda ma’lum ehtimolliklar asosida o‘zgaradigan tizim sifatida tasavvur qilinadi. Bu yerda asosiy g‘oya shuki: signalning keyingi qiymati to‘liq tasodifiy emas; u avvalgi qiymatlardan ta’sirlanadi. Masalan, yurak ritmi, nafas aylanishi yoki retina–glia o‘zaro ta’siri kabi fiziologik jarayonlarda hozirgi holat oldingi holatlarning izini saqlaydi. Ushbu tadqiqotda shu qisqa muddatli xotira ta’sirini ushlash uchun ikkinchi tartibli o‘tish matritsasi ishlatilgan.

Tadqiqotda aniq qo‘llangan asosiy uzunlik bog‘lanishi quyidagicha:

\[ n = f_s \cdot s \]

Bu yerda n — yaratiladigan sintetik signalning namuna soni, f_s — namuna olish chastotasi, s esa soniya hisobidagi kerakli signal davomiyligidir. Tadqiqotda sintetik bo‘laklar 20 soniya qilib belgilangan. Signallar oldindan ishlovdan so‘ng 200 Hz ga qayta namunalangani uchun 20 soniyalik bo‘lak taxminan 4 000 ta namuna ichiga oladi. Bu bog‘lanish vaqt qatori ishlab chiqarishda “qancha nuqtali signal yaratiladi?” degan savolning matematik ifodasidir.

Ikkinchi tartibli o‘tish matritsasi mantig‘ini tushuntirish uchun quyidagi asosiy bog‘lanish ishlatiladi:

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

Bu yerda X_t — signalning t vaqt nuqtasidagi diskret holatini; x_i, x_j va x_k — voltaj darajalaridan olingan diskret holatlarni; P esa shartli o‘tish ehtimolini bildiradi. Bu formula tadqiqot mantig‘ini tushuntirish uchun keltirilgan. Birinchi tartibli model faqat bir oldingi holatga qarasa, ikkinchi tartibli model ikki oldingi holatni ham hisobga oladi. Shu orqali signalning qisqa muddatli xotirasi ancha realistik ifodalanadi.

Tadqiqotning ishlab chiqarish zanjiri 1-shaklda jamlangan. Avval 240 soniyalik haqiqiy bERG signali voltaj o‘qida ma’lum sondagi diskret holatlarga bo‘linadi. Bu jarayon uzluksiz amplituda qiymatlarini cheklangan sonli ramziy holatlarga aylantiradi. Keyin bu diskret ketma-ketlik ikkinchi tartibli o‘tish matritsasi bilan modellashtiriladi. O‘tish ehtimollari Laplas silliqlash bilan tartibga solinadi; bu ayrim o‘tishlar umuman kuzatilmaganligi sababli modelning haddan tashqari qattiq bo‘lib qolishini oldini oladi. So‘ng ushbu ehtimollarga asoslanib tasodifiy yurish hosil qilinadi. Bu yurish signalning qo‘pol sintetik skeletini yaratadi.

Tasodifiy yurish bilan hosil qilingan ketma-ketliklar diskret holat o‘tishlaridan kelgani uchun tabiiy signaldan ko‘ra keskinroq va pog‘onali bo‘lishi mumkin. Shu bois tadqiqotchilar Savitzky–Golay filtridan foydalanib signalni yumshatgan. Bu filtr signalning umumiy shaklini saqlab qolishga urinadi, biroq keskin o‘tishlarni kamaytiradi. Filtrning oynasi uzunligi va polinom darajasi sozlanadigan parametrlar sifatida ko‘rilgan. Optimallashtirilgan yakuniy parametrlarda Savitzky–Golay oynasi 45, polinom darajasi 4 qilib tanlangan.

Metodning ikkinchi katta qismi — chastota sohasini tuzatishdir. Signal faqat vaqt o‘qidagi tebranishlardan iborat emas; u qaysi chastota komponentlari qanchalik kuchli ekanligi bilan ham belgilanadi. Shu sababli tadqiqot haqiqiy va sintetik signal bo‘laklarining chastota spektrlarini Hızlı Fourier Dönüşümü, ya’ni FFT yordamida solishtirgan. FFT’ning asosiy mantig‘i quyidagi munosabat bilan tushuniladi:

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

Bu yerda x_n vaqt sohasidagi signal namunalarini; X_k esa k chastota komponentidagi kompleks Fourier koeffitsientini; N umumiy namuna sonini; i esa mavhum birlikni bildiradi. Bu formula tadqiqotning FFT yondashuvini tushuntirish uchun berilgan asosiy fon munosabatidir. Oddiy qilib aytganda, FFT signalni “vaqt bo‘yicha qanday o‘zgaradi?” degan savoldan “qaysi chastotalarda qancha energiya bor?” degan savolga aylantiradi.

Tadqiqotda haqiqiy signallarning har bir chastota komponenti uchun minimal va maksimal kattalik oralig‘i hisoblangan. Sintetik signalning ma’lum bir chastotadagi kattaligi haqiqiy oraliqdan chiqib ketsa, ushbu kattalik haqiqiy ma’lumotda kuzatilgan oraliq ichida tasodifiy qayta belgilanadi. Fazaviy ma’lumot saqlanadi, so‘ng teskari FFT qo‘llanib yakuniy sintetik signal olinadi. Bu bosqich sintetik signalning faqat vaqt sohasida emas, balki spektral tuzilma jihatidan ham haqiqiy bERG ga o‘xshash bo‘lishini maqsad qiladi.

Model parametrlari keng ko‘lamda optimallashtirilgan. Tadqiqotchilar 3 456 ta parametr konfiguratsiyasini grid search bilan baholagan. Optimizatsiya faqat o‘quv to‘plamidan ajratilgan 20 soniyalik diskret signal bo‘laklari ustida va DME hamda DME bo‘lmagan sinflar uchun alohida olib borilgan. Bu yondashuv ma’lumot sizib chiqishining oldini olish uchun muhim; chunki tekshirish ma’lumoti sintetik signal yaratish yoki parametr tanlashning bir qismiga aylanib qolsa, modelning haqiqiy mustaqil ishlashi aslidan yuqoriroq ko‘rinishi mumkin.

Haqiqiy va sintetik signallar o‘xshashligi faqat bitta mezon bilan baholanmagan. Xatoga asoslangan o‘lchovlar sifatida MSE va MAE; o‘xshashlik va moslik o‘lchovlari sifatida Pearson korrelyatsiyasi va Lin moslik korrelyatsiya koeffitsienti; taqsimot masofalari sifatida Minkowski, Wasserstein va Jensen–Shannon divergence; murakkablik uchun sample entropy, spektral entropy va o‘zaro axborot; dinamik xususiyatlar uchun esa Hjorth activity, mobility va complexity ishlatilgan. Bu keng o‘lchovlar to‘plami signal faqat o‘rtacha xatosi emas, balki taqsimoti, chastota tuzilmasi, tartibsizligi va dinamik xarakteri ham tekshirilganini ko‘rsatadi.

2-shakl ham parametr optimallashtirishini, ham haqiqiy-sintetik tenglik tahlilini ko‘rsatadi. Optimallashtirilgan yakuniy parametrlar β = 0, Savitzky–Golay oynasi 45, Savitzky–Golay polinom darajasi 4, α = 1e−20 va ikkinchi tartibli o‘tish matritsasi uchun 200 holat ekanligi bildirilgan. Xuddi shu shakldagi tenglik panelida DME va DME bo‘lmagan sinflar uchun barcha metrikalarda ishonch oralig‘i tenglik chegaralari ichida qolganini ko‘rish mumkin. Bu sintetik signallar alohida haqiqiy yozuvlarning nusxasi degani emas; ammo populyatsiya darajasida ular haqiqiy signallar bilan statistik, spektral va dinamik jihatdan mos kelishini ko‘rsatadi.

Tadqiqotda tenglik baholash TOST yondashuvi bilan amalga oshirilgan. TOST ikki biryo‘nalishli test mantig‘iga asoslanadi va “ikki guruh o‘rtasida farq yo‘q” deyishdan ko‘ra ehtiyotkorroq statistik doira beradi. Tadqiqotchilar har bir metrika uchun tenglik chegarasini haqiqiy-referens taqqoslashlaridan hisoblangan o‘rtachaning %5 iga teng deb belgilagan, juda tor chegaralardan qochish uchun kamida 0,05 mutlaq quyi chegaradan foydalangan. Sintetik-haiqiy farqlarning %95 ishonch oralig‘i bu chegaralar ichida qolsa, tenglik qabul qilingan.

Tadqiqotning tasniflash qismida model arxitekturasi ikki tarmoqli. Birinchi tarmoq vaqt sohasidagi xususiyatlarni ushlash uchun 1D konvolyutsion neyron tarmoqdan foydalanadi. Ikkinchi tarmoq chastota sohasidagi xususiyatlarni ushlash uchun o‘rganiladigan FFT asosidagi blokdan foydalanadi. Har ikki tarmoq chiqaradigan tasvirlar Transformer encoder tuzilmalari orqali qayta ishlanadi; shu orqali uzoqroq vaqt bog‘liqliklari modellashtiriladi. Yakuniy bosqichda birlashtirilgan tasvir to‘liq bog‘langan tarmoq va sigmoid aktivatsiya bilan ikki sinfli tasnifga aylantiriladi: DME bor yoki DME yo‘q.

3-shakl ma’lumotni ko‘paytirmasdan olingan asosiy tasniflash samaradorligini ko‘rsatadi. O‘quv va ichki test egri chiziqlari taxminan 0,80 aniqlik darajasiga yaqinlashib, barqaror o‘rganishni ko‘rsatgan. Biroq mustaqil tekshirish to‘plamida ROC-AUC 0,746 bo‘lgan. Sezgirlik 0,704, o‘ziga xoslik 0,697, aniqlik 0,631, aniqlik koeffitsienti 0,232, F1 skori 0,357 va Cohen kappa 0,194 deb berilgan. Qarama-qarshilik matritsasida 119 to‘g‘ri musbat, 33 noto‘g‘ri manfiy, 395 noto‘g‘ri musbat va 612 to‘g‘ri manfiy topilgan. Noto‘g‘ri musbatlarning ko‘pligi sinf nomutanosibligi va signalning qiyin tasniflanadigan tabiatiga mos keladi.

Ma’lumotni ko‘paytirish qo‘shilganda samaradorlik qanday o‘zgargani 4-shakl va 5-shaklda ko‘rsatilgan. Tadqiqotchilar har bir haqiqiy namuna uchun 1 dan 10 gacha sintetik signal yaratishni sinab ko‘rgan va samaradorlik beshta sintetik signalgacha yaxshilanishini, undan ko‘p qo‘shilganda esa ayniqsa mustaqil tekshiruvda pasayishini topgan. Shu sababli solishtirishlar 1–5 sintetik signal oralig‘ida olib borilgan. Beshta sintetik signal ishlatilganda o‘quv yo‘qotishi 0,391 dan 0,329 ga, ichki test yo‘qotishi 0,395 dan 0,268 ga tushgan. O‘quv aniqligi 0,819 dan 0,851 ga, ichki test aniqligi 0,810 dan 0,895 ga ko‘tarilgan.

Asosiy muhim nuqta — samaradorlikning mustaqil tekshiruv to‘plamida oshishidir. Chunki bu to‘plam faqat haqiqiy va ko‘paytirilmagan signallardan iborat; model o‘qitilishi yoki sintetik signal yaratish uchun ishlatilmagan. Stokastik ma’lumot ko‘paytirish bilan ROC-AUC qiymatlari sintetik namunalar soni ortgani sari oshgan: ma’lumot ko‘paytirmasdan 0,746, 1:1 ko‘paytirishda 0,751, 2:1 da 0,770, 3:1 da 0,786, 4:1 da 0,816 va 5:1 da 0,826. Uchta sintetik namunadan boshlab yaxshilanish statistik jihatdan ahamiyatli bo‘lgan, to‘rt va beshta sintetik namunada esa yanada kuchli ahamiyatlilik kuzatilgan.

Har bir haqiqiy namuna uchun beshta sintetik signal ishlatilganda, stokastik ma’lumot ko‘paytirish bilan mustaqil tekshiruv metrikalari quyidagicha o‘zgargan: sezgirlik ma’lumot ko‘paytirmasdan 0,749 bo‘lsa, stokastik 5:1 da 0,762 bo‘lgan. Bu sezilarli farq emas; DME ni ushlash darajasi aniq o‘zgarmagan. Biroq o‘ziga xoslik 0,607 dan 0,777 ga, aniqlik 0,631 dan 0,776 ga, F1 skori 0,357 dan 0,474 ga, aniqlik koeffitsienti 0,231 dan 0,343 ga va Cohen kappa 0,194 dan 0,358 ga oshgan. Bu noto‘g‘ri musbatlar kamayishi va umumiy tasniflash muvozanati yaxshilanganini ko‘rsatadi.

Klassik ma’lumot ko‘paytirish usullari bilan solishtirish ham taklif etilgan yondashuvning farqli kuchini ko‘rsatadi. Xuddi shu miqdorda, ya’ni har bir haqiqiy namuna uchun beshta sintetik namuna ishlab chiqarilib, jittering, vaqt kaydırish, faza tasodifiylashtirish, interpolatsiya va MixUp sinab ko‘rilgan. Qizig‘i shundaki, bu klassik usullar o‘quv va ichki test bosqichida pastroq yo‘qotish yoki yuqoriroq aniqlik ko‘rsatishi mumkin bo‘lgan. Ammo mustaqil tekshiruv to‘plamida taklif qilingan stokastik usul aniq yaxshiroq samaradorlik bergan. Stokastik usulning AUC qiymati 0,826 bo‘lsa, jittering 0,749, vaqt kaydırish 0,733, faza tasodifiylashtirish 0,729, interpolatsiya 0,733 va MixUp 0,735 darajasida qolgan.

Bu natija maqolaning asosiy ilmiy xabarlaridan biridir: o‘quv to‘plamida yaxshi ko‘ringan ma’lumot ko‘paytirish usuli haqiqiy mustaqil bemor ma’lumotida eng yaxshi umumlashishni bermasligi mumkin. Klassik usullar asl signalga lokal yoki deterministik o‘zgarishlar qo‘llaydi; shu sababli ular ba’zi sinfga xos shovqin yoki artefaktlarni ham saqlab qolishi mumkin. Taklif etilgan stokastik usul esa signalning ehtimollik o‘tish tuzilmasi va spektral profilini modellashtirib, yanada yangi, lekin fiziologik jihatdan maqbul namunalar yaratishga urinadi. Bu mustaqil tekshiruvda kuchliroq umumlashishga olib kelishi mumkin.

Tadqiqotning oldingi bilimlar nuqtayi nazaridan ahamiyati shundaki, biotibbiy signal tasnifida ma’lumot yetishmasligi va sinf nomutanosibligi muammosiga klassik ma’lumot ko‘paytirishdan tashqari, fiziologik jarayon bilan uyg‘un yechim taklif etadi. Ayniqsa ERG kabi retina signallari uchun avval sintetik ma’lumot yaratishda generativ adversarial network singari katta ma’lumot talab qiladigan modellar ishlatilgan. Ushbu tadqiqot esa kichikroq va nomutanosib ma’lumot to‘plamlarida ishlay oladigan, yanada tushunarli va nisbatan sodda stokastik ishlab chiqarish doirasini taqdim etadi.

Bugungi amaliyot nuqtayi nazaridan ahamiyati — diyabetik makula shishi kabi ko‘rish yo‘qotishi bilan bog‘liq klinik muammoni erta aniqlashga yordam beradigan sun’iy intellekt modellarini o‘qitishda ma’lumotni qanday kuchaytirish mumkinligini ko‘rsatishidadir. bERG ko‘chma qurilmalar bilan noinvaziv olinishi mumkinligi sababli, uzoq muddatda retina skriningi va qaror qo‘llab-quvvatlash tizimlarida qo‘shimcha signal sifatida ishlatilishi mumkin. Ammo bu tadqiqot bunday klinik tizim tayyorligini ko‘rsatmaydi; u faqat tasniflash modelini o‘qitishda sintetik ma’lumotdan foydalanish samarani oshirishi mumkinligini ko‘rsatadi.

Gelecek nuqtayi nazaridan tadqiqot shuni ko‘rsatadiki, faqat bERG uchun emas, balki EEG, EKG, nafas signali yoki boshqa fiziologik vaqt qatorlari uchun ham shunga o‘xshash stokastik va chastota sohasida nazorat qilinadigan ma’lumot ko‘paytirish yondashuvlari sinab ko‘rilishi mumkin. Biroq har bir signal turi, har bir kasallik va har bir yozuv protokoli uchun ayni parametrlar amal qiladi, deb aytib bo‘lmaydi. Mualliflar ham bu usul boshqa retinal holatlarga, turli qurilmalarga yoki boshqa diagnostik maqsadlarga tatbiq etilganda parametrlarni qayta optimallashtirish kerak bo‘lishini aytadi.

Kundalik hayotga ta’siri nuqtayi nazaridan bu tadqiqot, tibbiyotda sun’iy intellekt ishonchli ishlashi uchun faqat kuchli algoritmlar emas, balki yetarli va muvozanatli o‘qitish ma’lumotlari ham kerakligini ko‘rsatadi. Diabet kabi keng tarqalgan kasallikda ko‘rish yo‘qotishini oldini olish uchun erta skrining juda muhim. Ammo har bir klinik markazda katta va muvozanatli biosignal ma’lumotlari bo‘lmaydi. Haqiqiy ma’lumot tuzilmasini buzmasdan sintetik o‘quv signalini yaratish, kelajakda yanada ochiq va qulay qaror qo‘llab-quvvatlash vositalarini ishlab chiqishga yordam berishi mumkin. Biroq bu bemorlar faqat sun’iy intellekt natijasi bilan tashxis oladi degani emas; klinik baholash, OCT va mutaxassis shifokor talqini hali ham hal qiluvchi bo‘lib qoladi.

Tadqiqotning kuchli tomonlari orasida bemor darajasida ma’lumotni bo‘lish orqali data leakage oldini olish, sintetik ma’lumotni faqat o‘quv bosqichida qo‘llash, mustaqil tekshiruv to‘plamini haqiqiy va ko‘paytirilmagan signallardan tuzish, ko‘plab tenglik metrikalaridan foydalanish, klassik ma’lumot ko‘paytirish usullari bilan bevosita solishtirish qilish va turli samaradorlik metrikalarini hisobot qilish bor. Bundan tashqari, usul bERG signalining ham vaqt, ham chastota xususiyatlarini saqlashga urinadi, shu sababli biosignal tabiatiga ko‘proq hurmat bilan yondashilgan ma’lumot ko‘paytirish strategiyasini taklif etadi.

Cheklovlar ham aniq ko‘rinadi. Tadqiqot hakamlik bahosidan o‘tmagan preprintdir. Ma’lumotlar to‘plamida DME yozuvlari kam: 430 ta yozuvning faqat 74 tasi DME sinfiga mansub. Bu sinf nomutanosibligi sezgirlikning sezilarli oshmasligi va ayrim metrikalarning o‘rtacha darajada qolishiga sabab bo‘lishi mumkin. Ma’lumotlar ikki klinik markaz va ikki xil yozuv tizimidan olingan, bu esa qurilma yoki markazga xos o‘zgaruvchanlik keltirishi mumkin. Sintetik signallar populyatsiya darajasida teng deb topilgan; biroq bu har bir sintetik signal alohida klinik real holatni mukammal aks ettiradi degani emas. Shuningdek, usul faqat diyabetik makula shishi tasnifi uchun sinovdan o‘tgan; boshqa retinal kasalliklarga umumlashtirilishi ko‘rsatilmagan.

Tadqiqotning aytadigan gapi shuki: bERG kabi murakkab fiziologik vaqt qatorlarida ikkinchi tartibli stokastik o‘tish matritsasi va FFT asosidagi spektral tuzatish yordamida haqiqiy signallarga statistik jihatdan teng sintetik signallar yaratish mumkin. Bu sintetik signallar o‘quv ma’lumotiga nazoratli qo‘shilganda mustaqil tekshiruv to‘plamida diyabetik makula shishi tasniflash samaradorligini oshiradi.

Tadqiqotning aytmaydigan gapi esa shuki: bu usul diyabetik makula shishini klinikada yakka o‘zi ishonchli tashxis qiladi demaydi. bERG OCT yoki oftalmolog bahosining o‘rnini bosadi demaydi. Sintetik ma’lumotlar haqiqiy bemorlarning barcha biologik xilma-xilligini to‘liq aks ettiradi demaydi. Shuningdek, model turli mamlakatlarda, qurilmalarda, klinik populyatsiyalarda yoki kattaroq ma’lumotlar to‘plamlarida xuddi shunday samarani ko‘rsatishi hali isbotlanmagan.

Tadqiqotning Metodlari va Natijalari

Tadqiqot diyabetik makula shishi tasnifi uchun bERG signallaridan sintetik o‘quv ma’lumoti yaratishga qaratilgan metod ishlab chiqish va tasdiqlash ishidir. Usul haqiqiy signallarning vaqt sohasidagi o‘tish statistikasi va chastota sohasidagi spektral tuzilmasini saqlashni maqsad qiladi.

Tadqiqotda aniq berilgan ishlab chiqarish uzunligi munosabati quyidagicha:

\[ n = f_s \cdot s \]

Bu yerda n sintetik signaldagi namuna sonini, f_s namuna olish chastotasini, s esa soniya hisobidagi signal davomiyligini bildiradi. Tadqiqotda s = 20 soniya qilib belgilangan.

Ikkinchi tartibli stokastik o‘tish mantig‘i quyidagi tushuntiruvchi formula bilan jamlanadi:

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

Bu ifoda signalning t vaqt nuqtasidagi holati faqat bir oldingi holatga emas, balki ikki oldingi holatga ham ehtimollik bilan bog‘liq holda ishlab chiqarilishini ko‘rsatadi. Bu bERG kabi fiziologik jihatdan xotira ta’siri bo‘lishi mumkin bo‘lgan vaqt qatorlari uchun ancha realistik model farazidir.

FFT’ning asosiy tushuntiruvchi bog‘lanishi esa quyidagicha:

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

Bu formula vaqt sohasidagi signal namunalarini chastota sohasidagi komponentlarga aylantirishni tushuntiradi. Tadqiqotda bu aylantirish sintetik signal chastota kattaliklarini haqiqiy bERG signallarida kuzatilgan oraliqlarga moslashtirish uchun ishlatilgan.

Haqiqiy va sintetik signal tengligi nuqtayi nazaridan tadqiqot DME va DME bo‘lmagan sinflarda barcha o‘lchovlarda %95 ishonch oralig‘i tenglik chegaralari ichida qolganini bildirgan. O‘rtacha farqlar ko‘pchilik metrikalarda 0,03 dan kichik, MSE va MAE farqlari 0,003 dan kichik, Wasserstein farqlari taxminan −0,003 va korrelyatsiya asosli metrikalarda farqlar 0,001 dan kichik bo‘lgan. Eng katta og‘ish Hjorth complexity o‘lchovida ko‘rinsa ham, bu qiymat ham oldindan belgilangan tenglik chegaralari ichida qolgan.

Beshta sintetik namuna ishlatilgan stokastik ma’lumot ko‘paytirish bilan ma’lumot ko‘paytirilmagan modelning mustaqil tekshiruv metrikalari solishtirilganda quyidagi manzara chiqadi:

Klassik ma’lumot ko‘paytirish usullari bilan solishtirish ham taklif qilingan yondashuvning farqli kuchini ko‘rsatadi:

Bu topilmalar taklif qilingan usulning ayniqsa mustaqil tekshiruv ma’lumotida yaxshiroq umumlashish ko‘rsatishini ko‘rsatadi. Tadqiqotning texnik talqini shundan iborat: bERG kabi murakkab biosignallarda muvaffaqiyatli ma’lumot ko‘paytirish signalni shunchaki buzib ko‘paytirish emas, balki signalning ehtimollik o‘tish tuzilmasi, spektral taqsimoti va fiziologik o‘zgaruvchanligini birgalikda saqlab, yangi namunalar yaratish bo‘lishi mumkin.

Manba va metod izohi

Ushbu maqola Jorge Armando Hughes-Cano, Héctor Flores-Arguedas, María de Ángeles Pacheco-Blas, Ulises Olivares-Pinto va Stephan C. Thébault tomonidan tayyorlangan “Synthetic basal electroretinograms for diabetic macular edema classification: a stochastic and frequency-domain modeling approach” nomli tadqiqotga asoslanib tayyorlangan.

Manba matn preprint tadqiqot maqolasi bo‘lib, unda ochiqchasiga “This preprint research paper has not been peer reviewed” iborasi bor. Shu sababli ish hakamlik bahosidan o‘tmagan va natijalar klinik amaliyot yo‘riqnomasi yoki aniq tashxis standarti sifatida ko‘rilmasligi kerak.

Tadqiqot diyabetik makula shishi tashxisi qo‘yadigan klinik davolash ishi emas. Tadqiqotda DME tashxisi OCT belgilari asosida sertifikatlangan oftalmologlar tomonidan qo‘yilgan, bERG signallari esa shu yorliqlarga ko‘ra tasniflash modelini o‘qitish va baholash uchun ishlatilgan. Taklif qilingan usul — bERG ma’lumotlaridan sintetik o‘quv signalini ishlab chiqarishga qaratilgan sun’iy intellekt va signal ishlash yondashuvidir.

Bu mazmunda PDF’da bo‘lmagan klinik ta’sir, davolash muvaffaqiyati, tashxis kafolati, qurilma xavfsizligi, tijoriy qo‘llanish yoki bemor darajasida aniq xavf hisoblash da’vosi qo‘shilmagan. Tadqiqotning natijalari muayyan ma’lumot to‘plamida va muayyan tasniflash arxitekturasi bilan olingan metodik topilmalardir. Turli qurilmalar, turli klinik markazlar, turli bemor guruhlari yoki boshqa retina kasalliklari uchun bir xil samaradorlik ushbu tadqiqot bilan isbotlanmagan.

Tadqiqotning kuchli tomoni — sintetik ma’lumot faqat o‘quv bosqichida ishlatilishi va mustaqil tekshiruv to‘plamining haqiqiy, ko‘paytirilmagan signallardan iborat bo‘lishidir. Biroq DME sinfidagi haqiqiy yozuvlarning kamligi, sinf nomutanosibligi, ikkita turli yozuv qurilmasi va ikkita klinik markazdan ma’lumot yig‘ilishi kabi cheklovlar natijalarni talqin qilishda inobatga olinishi kerak.

Xulosa qilib aytganda, tadqiqot bERG kabi fiziologik vaqt qatorlarida stokastik o‘tish matritsalari va FFT asosidagi spektral tartibga solish yordamida haqiqiyga o‘xshash sintetik ma’lumot yaratish mumkinligini va bu yondashuv mustaqil tekshiruvda diyabetik makula shishi tasniflashini yaxshilashi mumkinligini ko‘rsatadi. Ammo bu natija klinikada yakka o‘zi ishlatiladigan tasdiqlangan tashxis tizimi degani emas; u yanada katta, muvozanatli va ko‘p markazli tadqiqotlar bilan tasdiqlanishi kerak bo‘lgan metodik hissadir.