กรอบการเรียนรู้เชิงลึกใหม่ในการวินิจฉัย COVID-19 จากการสแกนปอดของผู้ป่วยที่เรียกว่า KarNet ได้รับการพัฒนาโดยนักวิจัยในอินเดีย ระบบนี้ใช้การเรียนรู้แบบถ่ายโอนแทนที่จะต้องการชุดข้อมูลการฝึกอบรมขนาดใหญ่ สามารถตรวจหาการติดเชื้อ SARS-CoV-2 ได้แม่นยำถึง 97% ในขณะที่การแพร่ระบาดของไวรัสโคโรนายังคงดำเนินไปทั่วโลก เทคนิคที่รวดเร็วและเชื่อถือได้มากขึ้น
สำหรับการระบุ
ผู้ป่วย COVID-19 จึงเป็นที่ต้องการอย่างมากเพื่อช่วยลดการแพร่เชื้อ โดยเฉพาะอย่างยิ่งเมื่อพิจารณาถึงการขาดแคลนในวงกว้างของปฏิกิริยาลูกโซ่โพลิเมอเรสการถอดความย้อนกลับตามเวลาจริงมาตรฐานทองคำ (rRT- PCR) ชุดทดสอบ วิธีการวินิจฉัยอย่างหนึ่งที่ดึงดูดความสนใจทางวิทยาศาสตร์อย่างมาก
คือการใช้การสแกน CT ปอด ซึ่งสามารถเปิดเผยการเปลี่ยนแปลงในระยะแรกที่เกี่ยวข้องกับไวรัส เพื่อเร่งความเร็วในการประมวลผลการสแกนดังกล่าว นักวิจัยหลายคนได้หันไปใช้เทคนิคการเรียนรู้เชิงลึกด้วยความคิดในการวิเคราะห์ภาพโดยอัตโนมัติ แต่ที่นี่ประสบปัญหา เครื่องมือแมชชีนเลิร์นนิง
ต้องการชุดข้อมูลขนาดใหญ่ที่มีการติดฉลากไว้ล่วงหน้าเพื่อฝึกฝนตนเอง โดยเฉพาะอย่างยิ่งหากต้องสามารถปฏิบัติงานได้ตามมาตรฐานทางคลินิก อย่างไรก็ตาม ชุดข้อมูลดังกล่าวยังไม่พร้อมใช้งานในปัจจุบัน เนื่องจากส่วนหนึ่งเกี่ยวข้องกับความกังวลเกี่ยวกับการรักษาความลับของผู้ป่วย
แต่ยังเป็นเพราะข้อเท็จจริงที่ว่าบุคลากรทางการแพทย์ที่จำเป็นต้องใส่คำอธิบายประกอบภาพดังกล่าวกำลังยุ่งอยู่กับการรักษาผู้ป่วยด้วย COVID- 19.เพื่อแก้ไขปัญหานี้ นักวิทยาศาสตร์คอมพิวเตอร์Aในเมืองโกลกาตาจึงหันมาถ่ายทอดการเรียนรู้แทน ในเทคนิคแมชชีนเลิร์นนิงนี้ โมเดลที่พัฒนาขึ้น
สำหรับงานหนึ่งจะถูกนำมาใช้ใหม่เพื่อเป็นจุดเริ่มต้นในการแก้ปัญหาอื่น สิ่งนี้ช่วยลดระยะเวลาที่ต้องใช้และความซับซ้อนที่เกี่ยวข้องกับการฝึกอบรมระบบใหม่ ในการศึกษาของพวกเขา ทั้งคู่ได้พัฒนาสถาปัตยกรรมซอฟต์แวร์ที่พวกเขาขนานนามว่า ซึ่งสามารถใช้กับโมเดลการเรียนรู้เชิงลึก
ที่มีอยู่สี่โมเดล
ได้แก่ เดิมทีโมเดลทั้งสี่ได้รับการฝึกฝนให้จัดประเภทวัตถุที่แตกต่างกัน 1,000 ประเภทตามข้อมูลจาก ImageNet ซึ่งเป็นฐานข้อมูลภาพออนไลน์ที่มีรูปภาพที่มีคำอธิบายประกอบมากกว่า 14 ล้านภาพซึ่งจัดกลุ่มเป็นหมวดหมู่ตามสิ่งที่แสดง ขั้นแรก ทีมฝึกระบบของพวกเขาด้วยชุดภาพ CT ปอดที่ไม่ได้ดัดแปลง
ก่อนที่จะเปลี่ยนไปใช้ภาพที่เรียกว่า “เสริม” ที่บิดเบี้ยวเพื่อให้ความท้าทายที่สมจริงยิ่งขึ้น“เราใช้เทคโนโลยีการเรียนรู้เชิงลึกเพื่อจำแนกผู้ป่วยที่ติดเชื้อ COVID-19 และผู้ป่วยที่ติดเชื้อ COVID-19 อย่างมีประสิทธิภาพ” “เราใช้แบบจำลองการเรียนรู้การถ่ายโอนสี่แบบและสรุปว่าสถาปัตยกรรม ของเรา
ที่อยู่ด้านบน ได้รับความแม่นยำสูงสุด 97% พร้อมความสามารถในการวินิจฉัยที่ยอดเยี่ยมโดยมีคะแนน 0.99 AUC [พื้นที่ใต้เส้นโค้ง]”แข็งแกร่ง รวดเร็ว ปรับเปลี่ยนได้ และแม่นยำในขณะ ทำผลงานได้ดีที่สุด คุณสมบัติ ที่ดีในการเป็นโครงข่ายประสาทเทียมที่มีความลึก 201 ชั้น รุ่นอื่นๆ นั้นตามหลังอยู่ไม่ไกลนัก
ตามลำดับ .
“แม้จะได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูล แต่โมเดลการเรียนรู้การถ่ายโอนก็มีประโยชน์ที่ไม่ขึ้นกับคุณลักษณะของตุ้มน้ำหนักที่ฝึกไว้ล่วงหน้า เช่น การปรับขนาดและการรวมความเร็วเข้าด้วยกัน” กล่าวว่าข้อดีอย่างหนึ่งของโมเดล คือมีสถาปัตยกรรมที่เบา ซึ่งหมายความว่าสามารถติดตั้งบนอุปกรณ์ต่างๆ
“ปัจจุบัน มีความกังวลเกี่ยวกับประสิทธิภาพของการวินิจฉัยในฮอตสปอตระดับภูมิภาคทั่วโลก และประสิทธิภาพของ rRT-PCR แบบดั้งเดิมที่ทำงานบน COVID-19 สายพันธุ์ต่างๆ ดังนั้นความสนใจในการวิจัยเกี่ยวกับการวินิจฉัยด้วย AI ที่ใช้การสแกน CT ปอดจึงเพิ่มขึ้น” นักวิจัยด้านการเรียนรู้
ด้วยเครื่องจากมหาวิทยาลัยเลสเตอร์ซึ่งไม่ได้เกี่ยวข้องกับการศึกษาครั้งนี้ให้ความเห็น “วิธีการในบทความนี้ไม่ได้ใช้วิธี AI ที่ล้ำสมัยที่สุด” เขากล่าวเสริม “แต่ความแม่นยำของชุดข้อมูลแบบเปิดนั้นค่อนข้างมีแนวโน้มที่ 97% ฉันหวังว่าวิธีการของพวกเขาจะผ่านการตรวจสอบทางคลินิกอย่างเข้มงวด”
เมื่อการศึกษาเบื้องต้นเสร็จสิ้นแล้ว ขณะนี้นักวิจัยกำลังมองหาที่จะย้ายไปยังการแบ่งส่วนปอดแบบสามมิติเพื่ออำนวยความสะดวกในการจำแนกผู้ป่วยที่เป็นบวกและลบของ COVID-19 ได้ดีขึ้น ในทำนองเดียวกัน พวกเขาจะฝึกโมเดลการเรียนรู้เชิงลึกบนชุดข้อมูลขนาดใหญ่ขึ้นเพื่อความปลอดภัย
กับในกรณีที่โมเลกุลไม่มีปมเลย เราสามารถจินตนาการต่อไปได้ว่านอตทอรัสอาจให้ประโยชน์อีกประการหนึ่งระหว่างการดีดออก เนื่องจากรูปทรงเรขาคณิตแบบ (คล้ายสปูล) หมายความว่าสามารถคลี่ออกได้อย่างง่ายดาย หลีกเลี่ยงการก่อตัวหรือสะสมตัวพันกันยุ่งเหยิง เช่นเดียวกับแกนม้วน
สายช่วยป้องกันสายเบ็ดจาก กลายเป็นพันกันในทางตรงกันข้าม แบคทีเรีย การแปลปมดูเหมือนจะมีประโยชน์ โมเลกุลของ DNA ในแบคทีเรียมักจะถูกขดเป็นเกลียวในเชิงลบ กล่าวคือ จะบิดเกลียวน้อยกว่าที่จะอยู่ในเกลียว “ปกติ” หรือบิดเบี้ยว ซึ่งรูปแบบเกลียวจะวนซ้ำทุกๆ 10 คู่เบส
เนกาทีฟซุปเปอร์คอยล์เป็นข้อได้เปรียบสำหรับเซลล์แบคทีเรียเพราะทำให้เกลียวดีเอ็นเออ่อนแอลง ทำให้ง่ายต่อการทำลายพันธะไฮโดรเจนที่ยึดเกลียวไว้ด้วยกัน ซึ่งเป็นสิ่งที่เซลล์ต้องทำเมื่อใดก็ตามที่ “คลายซิป” เกลียวดีเอ็นเอเพื่อถอดความและทำซ้ำ แต่ เชิงลบอาจช่วยให้เซลล์แบคทีเรียขจัดปมดีเอ็นเอ
ที่มีปัญหาได้ ทั้งนี้เนื่องจากหากเกิดปมขึ้นในเกลียวม้วนยวดยิ่ง ปกติแล้วปมจะตึงและปรับให้เข้ากับท้องถิ่น ดังที่ปรากฏในงานวิจัยล่าสุด และผู้ทำงานร่วมกันจากสถาบันต่างๆ ในเมืองโลซาน ประเทศสวิตเซอร์แลนด์ สิ่งนี้น่าจะทำให้ง่ายต่อการค้นหาเอนไซม์โทโปไอโซเมอเรสที่กำจัดปม เนื่องจากเอนไซม์ถูกดึงดูดไปยังบริเวณที่มีความโค้งของดีเอ็นเอสูง
แนะนำ 666slotclub / hob66
