PTTIPTTI

Journal of Fuzzy Systems and ControlJournal of Fuzzy Systems and Control

Amyotrophic Lateral Sclerosis (ALS) adalah gangguan neurodegeneratif progresif yang menimbulkan tantangan diagnostik signifikan karena manifestasi klinis yang heterogen dan tumpang tindih gejala dengan kondisi neurologis lainnya. Diagnosa dini dan akurat krusial untuk memulai intervensi tepat waktu dan meningkatkan hasil pasien. Pendekatan diagnostik tradisional bergantung berat pada keahlian klinis dan interpretasi manual data neuroimaging seperti MRI struktural, DTI, dan fMRI, yang secara alami memakan waktu dan rentan terhadap variasi antarpengamat. Kemajuan terbaru dalam kecerdasan buatan (AI) dan pembelajaran mendalam (DL) menunjukkan potensi untuk mengotomasi analisis neuroimaging, namun model yang ada sering mengalami keterbatasan generalisasi antar modality dan dataset. Untuk mengatasi masalah ini, kami mengusulkan kerangka ensembel pembelajaran mendalam yang diperkuat Transformer untuk diagnosis ALS otomatis menggunakan data neuroimaging multi-modal. Arsitektur yang diusulkan mengintegrasikan CNN, RNN, dan Vision Transformers (ViTs) untuk memanfaatkan kekuatan komplementer representasi fitur spasial, temporal, dan kontekstual global. Mekanisme fusi berbasis penimbangannya secara dinamis mengintegrasikan output modality spesifik, meningkatkan keandalan diagnosis akhir. Langkah pra-pemrosesan komprehensif, termasuk normalisasi intensitas, koreksi gerakan, dan augmentasi data spesifik modality, digunakan untuk memastikan konsistensi lintas modality. Evaluasi pada dataset ALS multi-modal yang dikurasi menunjukkan kinerja superior model yang diusulkan, mencapai akurasi klasifikasi 99,2%, sensitivitas 98,7%, spesifisitas 99,5%, skor F1 98,9%, dan AUC-ROC 0,997. Hasil ini secara signifikan melebihi model CNN dasar dan menunjukkan potensi ensembel berbasis Transformer dalam aplikasi neurodiagnostik kompleks.

Kerangka ensembel pembelajaran mendalam yang diperkuat Transformer yang diusulkan menunjukkan kinerja luar biasa dalam diagnosis ALS berbasis data neuroimaging multi-modal.Penerapan teknik fusi berbasis penimbangannya memungkinkan integrasi efektif dari fitur spasial, temporal, dan global, meningkatkan akurasi diagnostik.Dataset ALS multi-modal yang digunakan memastikan validasi kinerja yang komprehensif.Hasil penelitian ini menunjukkan potensi besar untuk pengembangan sistem diagnosis otomatis yang andal dan dapat diandalkan dalam lingkungan klinis.

Penelitian lanjutan dapat mengembangkan kerangka ensembel yang lebih efisien secara komputasi untuk aplikasi klinis nyata. Studi tambahan diperlukan untuk mengeksplorasi integrasi modalitas lain seperti EEG atau data genomik untuk meningkatkan akurasi diagnosis. Selain itu, penelitian tentang peningkatan interpretasi model melalui teknik visualisasi canggih dapat membantu membangun kepercayaan klinis. Penelitian juga dapat fokus pada validasi lintas pusat untuk memastikan generalisasi model pada populasi yang lebih luas dan kondisi imajing yang beragam.

  1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/978-981-97-9112-5_32Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 978 981 97 9112 5 32
  2. Harnessing Big Data in Amyotrophic Lateral Sclerosis: Machine Learning Applications for Clinical Practice... doi.org/10.31083/j.jin2303058Harnessing Big Data in Amyotrophic Lateral Sclerosis Machine Learning Applications for Clinical Practice doi 10 31083 j jin2303058
  3. Pilot Study on Consumer Preference, Intentions and Trust on Purchasing-Pattern for Online Virtual Shops.... doi.org/10.14569/IJACSA.2024.0150780Pilot Study on Consumer Preference Intentions and Trust on Purchasing Pattern for Online Virtual Shops doi 10 14569 IJACSA 2024 0150780
Read online
File size591.62 KB
Pages8
DMCAReport

Related /

ads-block-test