使用小训练集的自动斯特里多检测,通过补丁智能的几次射击学习来诊断多个系统缩
Jong Hyeon Ahn1,2, Ju Hwan Lee3,4, Chae Yeon Lim5,4
1Department of Neurology, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Republic of Korea.
Scientific reports
|July 5, 2023
概括
这项研究引入了一种人工智能方法来检测多重系统缩中罕见的症状 - - 斯特里多. 这种新的方法使用了少量射击学习,在最小的数据中达到96%以上的准确性,有助于诊断和预后.
科学领域:
- 医学技术 医学技术 医学技术
- 医疗保健中的人工智能
- 睡眠的药物 睡眠的药物
背景情况:
- 斯特里多是多重系统缩 (MSA) 的罕见非运动症状,对诊断和预后至关重要.
- 目前通过视频多睡眠学检测斯特里多,是劳动密集型和耗时的.
- 斯特里多尔的稀有性对收集用于人工智能模型培训的多样化患者数据提出了挑战.
研究的目的:
- 开发一种人工智能驱动的方法,用于自动检测斯特里多.
- 为了解决数据稀缺问题,通过使用少数射击学习来进行斯特里多诊断.
- 提高在临床环境中斯特里多检测的效率和准确性.
主要方法:
- 提出了一种人工智能方法,结合了音频分割,重整合和少数镜头学习.
- 利用了视频多睡眠图的数据,这些数据来自有或没有肌痛 (MSA,帕金森症,睡眠障碍) 的患者.
- 验证了用于处理医疗音频信号的几次射击学习方法.
主要成果:
- 使用仅八名斯特里多患者的数据进行培训,实现了超过96%的检测准确度.
- 与最先进的AI基线相比,表现出显著的性能改善 (4% - 13%).
- 启用实时定位斯特里多音频补丁,支持医生解释.
结论:
- 开发的人工智能方法提供了高的诊断性能,尽管数据有限,但可以检测虫.
- 在临床上,Few-Shot学习对于分析罕见的医疗音频信号非常有用.
- 该方法为医生在斯特里多的诊断和管理中提供了有效和可解释的支持.
