Sinir ağı, doktorların eksik bilgilerle karar vermelerine yardımcı olmak için birden fazla sağlık verisini özümser.
MIT araştırmacıları; doktorların eksik bilgilerle karar vermelerine yardımcı olmak için, birden fazla hastanın sağlık verilerini özümseyebilecek bir model geliştirdi.
“Tahmini Analitik Alanı”; birçok sağlık bakımı uygulaması için umut vaat ediyor. Makine öğrenim modelleri; hastanın hastalık ya da YBÜ’de ölme riskini tahmin etmek, sepsis bakımına yardımcı olmak veya daha güvenli kemoterapi yöntemleri tasarlamak gibi hasta verilerindeki kalıpları aramak için eğitilebilir.
Süreç; hastalık riski gibi ilgilenilen değişkenleri, belirtileri, biyometrik verileri, laboratuvar testleri ve vücut taramaları gibi bilinen değişkenlerden tahmin etmeyi içerir. Bununla birlikte; bu hasta verileri birkaç farklı kaynaktan gelebilir ve genellikle eksiktir. Örneğin, sağlık anketlerinden fiziksel ve zihinsel refah ile ilgili, kalp veya beyin fonksiyonu ölçümlerini içeren oldukça karmaşık verilerle karıştırılmış kısmi bilgiler içerebilir.
Mevcut tüm verileri analiz etmek için makine öğrenmeyi kullanmak; doktorların hastaları daha iyi teşhis etmesine ve tedavi etmesine yardımcı olabilir. Ancak çoğu model oldukça karmaşık verilerle başa çıkamaz. Diğerleri; nefes alışkanlıklarını, uyku saatlerini veya ağrı seviyelerini öngörmede nasıl yardımcı olduğu gibi farklı sağlık değişkenleri arasındaki ilişkilerin kapsamını tam olarak yakalayamıyor.
Gelecek hafta AAAI Yapay Zeka Konferansı’nda sunulan bir bildiride; MIT araştırmacıları hem basit hem de oldukça karmaşık verileri içeren tek bir sinir ağını tanımladılar. Bilinen değişkenleri kullanarak, ağ; daha sonra tüm eksik değişkenleri doldurabilir. Örneğin, bir hastanın kalp fonksiyonunu ve kendi kendine rapor edilen yorgunluk seviyesini ölçen bir elektrokardiyografi (EKG) sinyalinden alınan veriler göz önüne alındığında, model; hastanın hatırlayamayacağı veya doğru şekilde raporlayamayacağı ağrı seviyesini tahmin edebilir.
Sağlık araştırmaları, EKG ve diğer karmaşık sinyaller içeren gerçek bir uyku çalışması veri seti üzerinde test edilen ağ; bilinen diğer yedi değişkene dayanarak, sekiz eksik değişkenden herhangi birinin tahmininde yüzde 70 ila 80 oranında doğruluk elde etti.
Ağ; her biri değişkenler arasındaki belirli bir ilişkiyi tanımlamak için tasarlanmış çeşitli alt modelleri bir araya getirerek, çalışır. Alt modeller; tahminleri yaparken verileri paylaşır ve sonuçta tahmin edilen bir hedef değişkeni çıktılar. MIT Bilgisayar Bilimi ve Yapay Doktora Sonrası Baş Yazarı Hao Wang: “Bu farklı verilerden bildiğimiz bilgileri kullanarak, bilmediklerimizi tahmin etmek için birbirimizle iletişim kuran bir modeller ağımız var. Sekiz farklı türde veriye sahipseniz ve yedi yaşından itibaren bir hasta hakkında tam bilgim varsa, modeller arasındaki iletişim; sekizinci veri türündeki boşlukları doldurmamıza yardımcı olacaktır.”
İki Yönlü Tahminler
Geleneksel makine öğrenme modellerini kullanarak, araştırmacıların ağının üstesinden gelebilecek değişken sayısını analiz yapmak pratik olarak mümkün değildir. Çünkü modellerin sayısı değişkenlerin sayısı ile üssel olarak ölçeklenir.
Wang: “ Çalımamızın amacı; farklı bilgilere sahip olmamıza rağmen, tüm bu veri gruplarını kullanabilecek tek bir model tasarlamak mümkün olup olmadığını sorgulamak…”
En önemli yenilik, ağı, her biri farklı türden bir girdi verilerine uyacak şekilde uyarlanmış ayrı alt modellere bölmektir. Bir sinir ağı; karmaşık verileri işlemek için birlikte çalışan birbirine bağlı bir düğüm ağıdır. Bir düğüm çıktıyı bir sonraki düğüme göndermeden önce; nispeten basit hesaplamalar yapar. Bununla birlikte, alt modüllü ağlarda; her düğüm daha karmaşık hesaplamaları işleyebilen ayrı bir ağ olarak işlev görebilir. Alt modeller uygulamaya bağlı olarak çok daha verimli olabilir.
Çalışmalarında araştırmacılar; her değişken çıktısı için bir olasılıksal alt model yarattılar. Ayrıca, İki-Yönlü Çıkarım Ağları (BIN) olarak tahminlerde bulunurken; alt modellerin birbirleriyle iletişim kurmasına izin verecek bir teknik geliştirdiler. Bu teknik; geri yayılım olarak bilinen sinir ağı eğitim tekniğini kullanır. Eğitimde, geri yayılma ağın parametre değerlerini güncellemek için bilgisayar hatalarını düğümlerden geri gönderir. Ancak bu teknik; özellikle karmaşık koşullu bağımlılıklar söz konusu olduğunda testlerde asla kullanılmaz. Bunun yerine; geleneksel testlerde, girilen veriler, dizinin sonundaki son bir düğümde bir tahmin çıkana kadar düğümden düğüme bir yönde işlenir.
Araştırmacılar; ağlarını test sırasında hem geleneksel yöntemi hem de geri yayılımı kullanacak şekilde programladılar. Bu bağlamda, geri yayılma temel olarak değişken bir çıktı alıyor. Ardından o çıktıdan bir girdi öngörüyor ve girdi değerini önceki bir düğüme geri gönderiyor. Bu, bir hedef olasılık oluşturmak için tüm alt modellerin birlikte çalıştığı ve birbirine bağımlı olduğu bir ağ oluşturur.
Boşlukları Doldurmak
Araştırmacılar ağlarını gerçek dünya Uyku Kalp Sağlığı Çalışması 2 (SHHS2) veri seti konusunda eğitmişlerdir. Veriler arasında beyin fonksiyonlarını ölçen elektroensefalografi (EEG) okumaları, EKG ve nefes alma düzeni sinyalleri de vardır. Ayrıca; duygusal sağlık, sosyal işlevsellik ve enerji / yorgunluk da dahil olmak üzere sekiz sağlık değişkenini 0 ila 100 arasında değişen bir ölçekte ölçmek için bir sağlık araştırmasından elde edilen bilgileri de içerir.
Eğitimde, ağ; her değişkenin bir başkasını nasıl etkileyebileceği ile ilgili modelleri öğrenir. Örneğin, birisi uzun süre boyunca nefesini tutarsa, gergin olabilir, bu da fiziksel acıyı gösterebilir. Testte, ağ; diğer bilgilere göre sekiz değişkenden herhangi birini tahmin etmek için ilişkileri yüzde 70 ila 80 doğrulukla analiz edebilir.
Ağ; hastalar ve doktorlar için ağrı ve yorgunluk düzeyleri gibi bazen belirsiz sağlık değişkenlerini ölçmede yardımcı olabilir. Hastalar ameliyattan sonra uyuduklarında, örneğin gecenin ortasında ağrıyla uyanabilirler, ancak ertesi gün uygun bir ağrı seviyesini hatırlayamayabilirler.
Araştırmacılar, ağı; yalnızca kablosuz sinyalleri kullanarak birisinin nefes aldığını ve kalp atış hızını izleyebilen EQ Radyosu olarak adlandırdıkları bir cihaz için yazılım bileşeni uygulamayı umuyor. Şu anda cihaz; bu bilgiyi birisinin mutlu, öfkeli veya üzgün olup olmadığını anlamak için analiz ediyor. Ağ ile, cihaz; yalnızca kısmi bilgiler verilen ve pasif bir şekilde hastanın sağlığı hakkında sürekli olarak güncellenmiş tahminler yapabilir.
Wang: “Bu, doktorların hastanın sağlığının hem duygusal hem de fiziksel boyutlarını her gün izleyebilecekleri yardımlı yaşam tesislerinde çok faydalı olabilir.”
