โครงข่ายประสาทเทียมจะได้รับการปรับให้เหมาะสมผ่านกระบวนการความน่าจะเป็นสูงสุด โดยจะหาการแจกแจงความน่าจะเป็น (ลูกศรสองหัวสีน้ำเงินในแผงสีขาวตรงกลาง) เพื่อให้ตรงกับความอยู่รอดที่สังเกตได้มากที่สุด data (สีเหลือง "x" อยู่ในแผงสีขาวตรงกลาง) สุดท้าย ฟังก์ชันความน่าจะเป็นที่ปรับให้เหมาะสมจะใช้กับภาพทดสอบ LGE-CMR และตัวแปรร่วมเพื่อทำนายเส้นโค้งการเอาชีวิตรอดของผู้ป่วยแต่ละราย (แผงด้านล่างสีน้ำเงิน) เครดิตภาพ: การวิจัยโรคหัวใจและหลอดเลือดธรรมชาติ (Nat Cardiovasc Res) ฟังก์ชันความน่าจะเป็นที่ปรับให้เหมาะสมจะใช้ในการทดสอบภาพ LGE-CMR และตัวแปรร่วมเพื่อทำนายเส้นโค้งการเอาชีวิตรอดตามรายบุคคลของผู้ป่วย (แผงด้านล่างสีน้ำเงิน) เครดิตภาพ: การวิจัยโรคหัวใจและหลอดเลือดธรรมชาติ (Nat Cardiovasc Res) ฟังก์ชันความน่าจะเป็นที่ปรับให้เหมาะสมจะใช้ในการทดสอบภาพ LGE-CMR และตัวแปรร่วมเพื่อทำนายเส้นโค้งการเอาชีวิตรอดตามรายบุคคลของผู้ป่วย (แผงด้านล่างสีน้ำเงิน) เครดิตภาพ: การวิจัยโรคหัวใจและหลอดเลือดธรรมชาติ (Nat Cardiovasc Res) ISSN  2731-0590 (ออนไลน์)

ผลลัพธ์

เรื่องที่เกี่ยวข้อง

นักวิจัยศึกษารูปแบบ EEG ในมนุษย์ที่กำลังจะตายเพื่อทำความเข้าใจการทำงานของสมองในช่วงสุดท้ายของชีวิต

เครื่องกระตุ้นหัวใจแบบใหม่ที่ฝังอยู่ใต้ผิวหนังช่วยลดภาวะแทรกซ้อนของผู้ป่วยได้อย่างมาก

การศึกษาพบความเสี่ยงที่เพิ่มขึ้นของการเสียชีวิตก่อนวัยอันควรสำหรับผู้รอดชีวิตจากอาการหัวใจวายและภาวะหัวใจหยุดเต้น

ผู้เขียนกล่าวว่าเส้นโค้งการเอาชีวิตรอดที่คาดการณ์ไว้โดย DL ในปัจจุบันให้ค่าประมาณที่แม่นยำของ SCDA เป็นเวลาประมาณ 10 ปี และอนุญาตให้ประเมินความไม่แน่นอนของการทำนายได้สล็อตออนไลน์ ผลการวิจัยจากชุดทดสอบอิสระและข้อมูลการตรวจสอบภายในจากศูนย์หลายแห่งแสดงให้เห็นดัชนีความสอดคล้องกันที่ 0.74 และ 0.83 และคะแนน Brier ที่เชื่อมโยงถึงกัน 10 ปีที่ 0.14 และ 0.12 ตามลำดับ

ผลการวิจัยระบุว่า SSCAR ไม่ได้เป็นเพียงแบบจำลองที่ยืดหยุ่นมากเท่านั้นที่สามารถจับภาพความสัมพันธ์ระหว่างคุณลักษณะที่ไม่ใช่ภาพและการถ่ายภาพที่ซับซ้อนได้ แต่ยังเป็นแบบจำลองที่แข็งแกร่งด้วยวิธีการทางสถิติที่ควบคุมวิธีการรวมคุณลักษณะเหล่านี้เพื่อให้เหมาะกับข้อมูลการอยู่รอด กรอบงานปัจจุบันทำนายการแจกแจงความน่าจะเป็นทั้งหมดของ T SCDA ทำให้ความไม่แน่นอนในการทำนายเป็นแบบเฉพาะเจาะจงผู้ป่วยและอิงตามหลักฐาน ทำให้แบบจำลองมีกลไกการแก้ไขตนเอง วิธีการนี้แก้ปัญหาหลักที่รู้จักกันดีของโครงข่ายประสาทเทียม กล่าวคือ มีความมั่นใจมากเกินไปในการทำนายที่ไม่ถูกต้อง ทีมงานกล่าวว่าการใช้การเรียนรู้โครงข่ายประสาทเทียมแบบลึกของ SSCAR ในการวิเคราะห์การอยู่รอดและผลลัพธ์ที่ได้อย่างแม่นยำอาจเป็นการเปลี่ยนกระบวนทัศน์ในโหมดการประเมินความเสี่ยงของ SCDA

วิธี DL ปัจจุบันใช้อิมเมจ LGE-CMR แบบ raw ที่ไม่ได้แบ่งส่วนเป็นอินพุต และค้นหาฟีเจอร์ที่จำลองและคาดการณ์ TSCDA ได้ดีที่สุดโดยอัตโนมัติ SSCAR เป็นกระบวนทัศน์การคาดการณ์ความเสี่ยงของ SCDA ที่รวมการสร้างภาพดิบกับแหล่งข้อมูลอื่นในสถาปัตยกรรม DL เดียวกัน ใช้รูปภาพ LGE-CMR และปัจจัยทางคลินิกในวิธีการเรียนรู้แบบบูรณาการ ซึ่งช่วยให้ประเภทข้อมูลต่างๆ เป็นแนวทางในการเพิ่มต้นแบบการเอาตัวรอดโดยรวม ลักษณะการถ่ายภาพที่กำหนดด้วยตนเองแบบมาตรฐานเป็นหนึ่งในตัวแปรทางคลินิกที่ใช้ใน SSCAR ซึ่งห้ามไม่ให้เครือข่ายประสาท CMR ค้นพบคุณสมบัติที่รู้จักอีกครั้งและกระตุ้นให้เรียนรู้สิ่งใหม่ นอกจากนี้ SSCAR ยังมีประสิทธิภาพเหนือกว่าการจัดหมวดหมู่ความน่าจะเป็นของ SCDA ที่ทันสมัยภายในผู้ป่วยและปรับความน่าจะเป็นของ SCDA ได้อย่างแม่นยำ