מחקר זה מציע מסגרת היברידית ללמידה חיזוק עמוק (HDRL) המשלבת רשתות עצביות עמוקות (DNNs) להפקת תכונות עם למידת חיזוק (RL) למיזוג אותות דינמי רב-מודלי. בהערכה על מערכי נתונים ביו-רפואיים, היא מצטיינת בדיוק, עמידות וזיהוי אירועים נדירים, ומספקת יישומים משמעותיים ברפואה מותאמת אישית וסיווג מחלות.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר מחקר
למידת חיזוק עמוקה היברידית למיזוג אותות ביומדיקלי רב-מודלי
במאמר זה
סיכום
תקציר
שיפור קבלת ההחלטות ודיוק האבחון במערכת הבריאות דורש שילוב אותות ביומדיים רב-מודליים כגון אלקטרוקרדיוגרפיות (ECG), אלקטרואנצפלוגרמות (EEG) ודימות רפואי. טכניקות מיזוג אותות מסורתיות מתמודדות עם אתגרים משמעותיים בשל שונות האות ומורכבות מובנית. אנו מציעים מודל היברידי למידת חיזוק עמוקה (HDRL) המשתמש ברשתות עצביות עמוקות (DNNs) לחילוץ תכונות ולמידת חיזוק (RL) לאופטימיזציה דינמית של היתוך חיזוק. מודל היברידי זה עושה שימוש במשוב בזמן אמת כדי לייעל את למידת מדיניות המיזוג ולהסתגל למאפייני נתונים משתנים. כדי להעריך את ביצועיו, המודל המוצע הושווה לטכניקות מיזוג קונבנציונליות, כגון שיטות מבוססות רשת עצבית עמוקה וניתוח רכיבים עיקריים (PCA). מודל הלמידה ההיברידי עם חיזוק עמוק נבדק על מספר מאגרי נתונים ביו-רפואיים אמיתיים. המודל המוצע ישים גם לרפואה מותאמת אישית ולסיווג מחלות, שכן ראיות ניסיוניות מראות שיפור בביצועים מבחינת עמידות בתנאי רעש, דיוק סיווג וזיהוי אירועים נדירים. המתודולוגיה המוצעת, בנוסף לטיפול בדאגות לגבי טכניקות מיזוג אותות מסורתיות, מציעה פתרונות מבטיחים שמקדמים עיבוד אותות ביומדיים רב-מודליים. המודל משתמש ב-DNN לכריית תכונות ובסוכני RL (DQN, PPO) לאופטימיזציה של מדיניות.
מבוא
מערכת הבריאות המודרנית מסתמכת יותר ויותר על שילוב מקורות נתונים ביו-רפואיים מגוונים לשיפור דיוק האבחון וקבלת ההחלטות הקליניות. אותות פיזיולוגיים כגון אקג, אלקטרואנצפלוגרמות (EEG) ושיטות דימות רפואיות כגון הדמיית תהודה מגנטית (MRI) וטומוגרפיה ממוחשבת (CT) מספקים מידע פיזיולוגי משלים התומך באבחון מחלות ובטיפול מותאם אישית. עם זאת, אותות ביו-רפואיים הם מורכבים מטבעם ולעיתים מכילים רעש, ערכים חסרים ומבנים מממדיים גבוהים, מה שמקשה על ניתוח ופרשנות שלהם. מיזוג אותות ביו-רפואי רב-מודלי, שמשלב מידע ממספר זרמי נתונים פיזיולוגיים, הפך לכן לגישה חשובה לשיפור ביצועי האבחון, לשיפור עמידות בפני שינויים באיכות הנתונים, ולאפשר ניטור מקיף של מטופלים בסביבות קליניות כגון יחידות טיפול נמרץ (ICUs).
שיטות מסורתיות למיזוג אותות רב-מודליים הסתמכו בעיקר על טכניקות סטטיסטיות וליניאריות. ניתוח רכיבים עיקריים (PCA) מפחית את הממד של הנתונים על ידי הפיכת אותות לרכיבים אורתוגונליים, בעוד ניתוח קורלציה קנוני (CCA) מזהה קשרים ליניאריים בין מודאליות ליישור מערכי נתונים רב-מודליים2. טכניקות אלו יושמו בהצלחה בהקשרים ביומדיים של מיזוג רב-מודלי3. עם זאת, התלות שלהם בהנחות ליניאריות מגבילה את יכולתם ללכוד קשרים לא ליניאריים מורכבים שלעיתים קרובות קיימים בין אותות פיזיולוגיים. בפועל, נתונים ביו-רפואיים הם לעיתים רחוקות לגמרי ליניאריים. שיטות היתוך רב-מודליות קונבנציונליות לעיתים קרובות אינן מצליחות ללכוד אינטראקציות משמעותיות בין מודאליות בגלל התלות הלא-ליניארית 4,5. כתוצאה מכך, שיטות מיזוג קונבנציונליות עלולות להיכשל בללכוד אינטראקציות משמעותיות בין מודאליות, מה שמגביל את יעילותן במשימות כמו אבחון מחלות וקבלת החלטות קליניות בזמן אמת.
התקדמות אחרונה בלמידה עמוקה שינתה משמעותית את עיבוד האותות הביו-רפואי בכך שאפשרה לרשתות עצביות לחלץ אוטומטית ייצוגים היררכיים מנתונים גולמיים. רשתות עצביות קונבולוציונליות (CNNs) הראו ביצועים חזקים בניתוח דפוסים מרחביים בתמונות רפואיות 5,6. ארכיטקטורות CNN רב-מודליות שימשו לשילוב מודאליות דימות כמו MRI ו-CT לשיפור דיוק האבחון3. באופן דומה, רשתות עצביות חוזרות (RNNs) ורשתות זיכרון ארוך-טווח קצר (LSTM) יושמו על אותות ביו-רפואיים עוקבים, כולל ECG ו-EEG, למשימות סיווג מחלות7. למרות ההתקדמות הזו, גישות רבות מבוססות למידה עמוקה מסתמכות על אסטרטגיות מיזוג קבועות, כגון שרשור תכונות או ממוצע משוקלל. מנגנוני היתוך סטטיים אלו אינם מתאימים את עצמם ביעילות לשינויים באיכות האות. בסביבות קליניות אמיתיות, אותות עלולים להידרדר עקב ארטיפקטים של תנועה, הזזת אלקטרודות, עיוות או רעש סביבתי. שינויים כאלה עלולים להפחית את אמינות השיטות הבודדות ולהשפיע לרעה על תהליך ההיתוך הכולל. התמודדות עם אתגרים אלו דורשת אסטרטגיות מיזוג אדפטיביות המסוגלות להגיב לתנאי נתונים דינמיים בסביבות קליניות בזמן אמת8.
למידת חיזוק (RL) מספקת מסגרת עוצמתית לקבלת החלטות רציפה בסביבות לא ודאיות. ב-RL, סוכן לומד לבחור פעולות שממקסות את התגמול המצטבר דרך אינטראקציות עם סביבתו. תהליך קבלת ההחלטות הזה מנוסח בדרך כלל באמצעות משוואת בלמן, שמגדירה את ערך המצב כסכום התגמול המיידי והערך המופחת של תגמולים עתידיים9. שיטות כמו Deep Q-Networks (DQN) מרחיבות למידת חיזוק לבעיות מממדיות גבוהות על ידי קירוב פונקציית ערך הפעולה עם רשתות עצביות עמוקות10. באופן דומה, שיטות למידה לחיזוק עמוק מבוססות מדיניות מאפשרות למידה יציבה ויעילה במדיניות באמצעות עדכונים איטרטיביים של מדיניות הסוכן11. טכניקות למידת חיזוק כבר נחקרו במספר יישומים רפואיים, כולל אופטימיזציה לטיפול וזיהוי אנומליה12, אך יישומן במיזוג אותות מולטימודלי אדפטיבי נותר מוגבל יחסית.
למידת חיזוק עמוקה היברידית (HDRL) משלבת למידה עמוקה עם למידת חיזוק לשילוב חילוץ תכונות וקבלת החלטות אדפטיבית. במסגרת זו, רשתות עצביות עמוקות ממרות אותות ביו-רפואיים רב-מודליים לייצוגי תכונות ברמה גבוהה, בעוד שסוכני למידת חיזוק בוחרים באופן דינמי אסטרטגיות מיזוג בהתבסס על ביצועי המשימה4. מנגנון אדפטיבי זה מאפשר למערכת להגיב לשינויים באיכות האות ובזמינות המודאליות, ומאפשר תפעול חזק יותר בסביבות קליניות מורכבות כגון ניטור ICU ומערכות אבחון לבישות8.
בנוסף לגישות הלמידה החיזוק הקלאסיות, נחקרו מספר טכניקות למידה היברידיות המשלבות לוגיקה מטושטשת, אלגוריתמים גנטיים ולמידה מחזקת למשימות סיווג ביו-רפואיות. לדוגמה, למידת Q מטושטשת בשילוב עם אלגוריתמים גנטיים יושמה לסיווג התקפים אפילפטיים באמצעות אותות EEG, והראתה שיפור ביכולת הסתגלות לדפוסים זמניים לא ודאיים13. באופן דומה, הוצעו גישות למידה אבולוציונית מבוססות רשת מטושטשת לסיווג מחלות ריאות באמצעות תמונותרפואיות 14. מחקרים נוספים חקרו גישות מבוססות למידה מחזקת לזיהוי פרכוסים15 ומסווגי למידת Q מטושטשים לזיהוי דלקת ריאות ושחפת מתמונות רנטגן חזה16. בעוד שמחקרים אלו מראים את הפוטנציאל של שיטות למידה היברידיות בניתוח ביו-רפואי, רוב הגישות הקיימות מתמקדות בסיווג חד-מודאלי ולא במיזוג אותות רב-מודלי.
פיתוחים אחרונים בלמידת מכונה רב-מודלית חקרו גם ארכיטקטורות מבוססות טרנספורמרים ליישומים רפואיים חוצ-מודליים. מודלים אלו הראו ביצועים מבטיחים במשימות כמו סינתזת תמונות רפואיות וניתוח מאגרי נתונים ביו-רפואיים הטרוגניים, שבהם מודליות אחת או יותר עשויות להיות לא שלמות אוחסרות 17. עם זאת, גם עם ההתקדמות הזו, הצורך במנגנוני מיזוג אדפטיביים שמגיבים דינמית לשינויים בנתונים רב-מודליים נותר אתגר מחקרי חשוב.
בעבודה זו מוצעת מסגרת היברידית לחיזוק עמוק (HDRL) למיזוג אותות ביומדיקליים רב-מודלי. מודלים ספציפיים למודליות של CNN משמשים להפקת תכונות מנתוני ECG, EEG ו-MRI, אשר משולבים ליצירת ייצוג מולטימודלי מאוחד. סוכן רשת Q עמוקה (DQN) בוחר באופן דינמי אסטרטגיות היתוך כמו שרשור תכונות או שילוב משוקלל, בהתאם למצב התכונה הנוכחי. מסווג במורד הזרם מספק אות תגמול המבוסס על ביצועי הסיווג, ומאפשר לסוכן הלמידה החיזוק לייעל את מדיניות המיזוג באמצעות משוב מתמשך. מסגרת אדפטיבית זו מאפשרת למודל להסתגל לשינויים באיכות האות ובזמינות המודאליות. הגישה המוצעת מוערכת באמצעות מערכי הנתונים PhysioNet 2016, CHB-MIT EEG ו-OASIS-3 ומושווים לטכניקות מיזוג מבוססות PCA ולמידה עמוקה קונבנציונליות.
איור 1: דיאגרמת בלוקים הממחישה את הארכיטקטורה של מערכת מיזוג אותות רב-מודלית מבוססת HDRL המוצעת. ייצוג סכמטי של מסגרת המיזוג הרב-מודלית המציג קלטי ECG, EEG ותמונות רפואיות המעובדות דרך מחלצי תכונות רשת עצבית עמוקה, ואחריה מיזוג אדפטיבי מבוסס למידה מחזקת ומשוב תגמול. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
הארכיטקטורה של מסגרת מיזוג האותות הרב-מודלית המוצעת מוצגת באיור 1. בארכיטקטורה זו, מודלים ספציפיים למודליות של CNN מחלצים באופן עצמאי תכונות מאותות ECG, EEG ו-MRI. תכונות אלו משולבות לייצוג מאוחד, שבו משתמש סוכן הלמידה החיזוק כדי לקבוע את אסטרטגיית המיזוג האופטימלית.
עיבוד אותות ביו-רפואי ממלא תפקיד מרכזי במערכת הבריאות המודרנית בכך שהוא מאפשר אבחון מדויק, ניטור ותכנון טיפול באמצעות ניתוח אותות פיזיולוגיים המתקבלים ממגוון מודאליות. שילוב אותות כמו ECG, EEG ונתוני הדמיה רפואית דורש טכניקות מיזוג מתקדמות הלוכדות מידע משלים ממקורות שונים. טבלה 1 מסכמת גישות מיזוג אותות רב-מודליות נפוצות, כולל המאפיינים המרכזיים, היתרונות והמגבלות שלהן, ומדגישה את המניע למסגרת המבוססת HDRL המוצעת.
| שיטה | מאפיינים מרכזיים | יתרונות | מגבלות |
| PCA | הפחתת ממדיות ליניארית | מהיר, פשוט | מוגבל ליחסים ליניאריים |
| DNN | למידת תכונות לא ליניארית | לוכד דפוסים מורכבים | אסטרטגיית היתוך קבוע |
| DRL | למידה דינמית במדיניות | מסתגל לנתונים | חישוב גבוה |
| HDRL | היבריד DNN + RL | אדפטיבי, חזק, יעיל | דורש כיוון מדויק |
טבלה 1: השוואה בין שיטות מיזוג רב-מודליות. סיכום של גישות מיזוג אותות רב-מודליות נפוצות, תוך פירוט המאפיינים המרכזיים, היתרונות והמגבלות שלהן.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
פרוטוקול זה מתאר את היישום שלב אחר שלב של מודל הלמידה ההיברידית לחיזוק עמוק (HDRL) למיזוג אותות ביומדיים רב-מודליים. המסגרת משלבת טכניקות למידה עמוקה ולמידה מחזקת כדי לאופטימיזציה של מיזוג בזמן אמת של נתוני ECG, EEG ודימות רפואי. הסעיף מפרט גם את נהלי חילוץ התכונות, ההדרכה וההכנת הנתונים ששימשו במודל המוצע.
חומרים
כל הניסויים בוצעו על תחנת עבודה עם מעבד רב-ליבות, ≥32 GB זיכרון RAM וכרטיס מסך ייעודי (≥8 GB של VRAM). סביבת המימוש כללה את פייתון (v3.9 או מאוחר יותר), TensorFlow (v2.12) ו-Keras (v2.12). ספריות חיזוק הותקנו באמצעות pip install stable-baselines3. חבילת Stable-Baselines3318 מספקת מימושים יעילים של אלגוריתמים של למידת חיזוק, כגון רשת Q עמוקה (DQN) ואופטימיזציה של מדיניות פרוקסימלית (PPO).
מאגרי נתונים
מסגרת הלמידה ההיברידית לחיזוק עמוק (HDRL) המוצעת הוערכה באמצעות שלושה מאגרי נתונים ביו-רפואיים זמינים לציבור המייצגים סוגי אותות רב-מודליים. (1) אתגר PhysioNet 2016: אוסף של הקלטות ECG של 12 עופרות ממטופלים עם מחלות לב, כולל פרפור פרוזדורים, הפרעת קצב חדרים ומחלות לב איסכמיות. מערך הנתונים כולל תוויות עם הערות למחלות לב19. (2) מאגר EEG קרקפת CHB-MIT: מאגר נתונים של הקלטות EEG בקרקפת משמש לזיהוי התקפים אפילפטיים, עם הערות המסמנות התקפים ואירועים שאינם פרכוסים20. (3) מאגר OASIS-3 MRI: אוסף של תמונות MRI ודירוגים קליניים משמש לגילוי ומעקב אחר מחלת אלצהיימר21. דגימות מייצגות מכל שיטה מראות את השונות והרעש הטבועים בנתונים ביומדיים רב-מודליים (איור 2).
איור 2: דגימה של אותות ביו-רפואיים מ-ECG, EEG ודימות רפואי. דוגמאות מייצגות של גל ECG, אות EEG וסריקת הדמיה רפואית הממחישות את השיטות השונות ששימשו במחקר. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
קדם-עיבוד נתונים
כל שיטה עברה הליכי עיבוד מוקדמים ספציפיים למודליות כדי להבטיח ייצוג קלט סטנדרטי. אותות EEG ו-ECG סיננו באמצעות מסנן פס Butterworth מסדר רביעי. טווח התדרים הוגדר ל-0.5–40 הרץ ל-EEG ול-0.5–45 הרץ ל-ECG. הדגימות חולקו לחלונות של 5 שניות עם חפיפה של 50%. כל אות עבר מנורמל על ידי חלוקה כדי להשיג אפס שונות ממוצעת ויחידה. תמונות MRI עובדו באמצעות הפשטת גולגולת באמצעות כלי חילוץ מוח FSL (BET). התמונות שונו ל-224 × 224 פיקסלים. עוצמות הפיקסלים ננורמו לטווח [0,1] כדי לתקן את התפלגויות הקלט.
חילוץ תכונות
חילוץ תכונות בוצע באופן עצמאי לכל מודאליות באמצעות DNNs, כדי להבטיח שהמאפיינים הייחודיים של כל מודאליות נלכדו ביעילות.
ECG ו-EEG כוללים מחלצים חשמליים:
ארכיטקטורת רשת עצבית קונבולוציונית חד-ממדית (1D-CNN) שימשה לעיבוד אותות בסדרת זמן. הארכיטקטורה כללה (1) שכבת קלט (window_length, 1), (2) שכבות Conv1D עם 64 מסננים וגודל ליבה של 3, (3) הפעלת ReLU, (4) MaxPooling1D עם גודל בריכה=2, (5) שכבות שטוחות וצפופות (128 יחידות, ReLU). הייצוגים הלפני אחרונים של השכבה הצפופה הופקו כווקטורי תכונות ייחודיים למודליות.
מחלץ תכונות MRI
מודל CNN דו-ממדי מאומן מראש (למשל, VGG16 או ResNet50) היה מותאם להפקת תכונות מרחביות מתמונות MRI. ה-CNN אומן על בסיס מערך הנתונים OASIS-3, כאשר השכבות האחרונות של המודל המאומן מראש שונו כדי להתאים למשימת הסיווגהספציפית 21. שכבות הסיווג הסופיות הוחלפו בשכבות ספציפיות למשימה, ותכונות מרחביות ברמה גבוהה הופקו מהשכבה הלפני אחרונה 5,6.
ארכיטקטורת מודלים והכשרה
מסגרת הלמידה ההיברידית לחיזוק עמוק (HDRL) המוצעת פותחה והוכנסה בשני שלבים עוקבים: חילוץ תכונות ספציפי למודאליות ואחריו אופטימיזציה מבוססת למידה חיזוקית. בשלב הראשון, רשתות עצביות קונבולוציוניות נפרדות (CNNs) הוכשרו על נתונים מסומנים למודאליות ECG, EEG ו-MRI. במהלך ההכשרה המפוקחת שימשה אופטימייזר הערכת מומנט אדפטיבי (אדם) עם קצב למידה של 0.001 ואובדן אנטרופיה צולבת קטגורית. לאחר ההתכנסות, הופקו ייצוגים ברמה גבוהה מהשכבה הלפני אחרונה של כל CNN, והניבו וקטורי תכונות ייחודיים למודאליות: FECG =CNN ECG (XECG), FECG = CNN ECG (XECG) ו-FMRI =CNN MRI(XMRI). וקטורים אלו חוברו ליצירת ייצוג מולטימודלי מאוחד Fconcat = [FECG,F EEG,F MRI], המשמש כקלט לשלב הלמידה החיזוקית.
תהליך ההיתוך נוסח כתהליך החלטה מרקוב (MDP), שבו המצב s התאמה לוקטור התכונות המקושר Fconcat, הפעולה ייצגה את בחירת אסטרטגיית המיזוג (סכימה משוקללת או שרשרת ישירה) והפרס r הוגדר כדיוק הסיווג שהושג ממסווג במורד הזרם שאומן על התכונות הממוזגות. פונקציית ערך הפעולה Q(s,a) הוערכה באמצעות רשת Q עמוקה (DQN), שהעריכה את התגמול 
המצטבר הצפוי. פרמטרי המודל עודכנו באופן איטרטיבי בהתאם לכלל.
כאשר α = 0.0001 הוא קצב הלמידה, γ = 0.99 הוא גורם ההנחה ו-s' מציין את המצב הבא.
במהלך אופטימיזציה של Reinforcement Learning, המודל אומן ל-1,000 פרקים עם גודל אצווה של 32. אומצה אסטרטגיית אפסילון חמדנית לאיזון בין חקירה לניצול, עם 
אתחול ב-1.0 והתדרדרות של 0.995 לכל פרק. עם הסתברות , נבחרה אסטרטגיית מיזוג אקראי, בעוד שבהסתברות 1 - , נבחרה אסטרטגיה עם ערך Q המוערך הגבוה ביותר. התכנסות התגמול נבדקה לאורך כל האימון, עם ביצועים יציבים (>0.85 תגמול מצטבר) שנצפו בדרך כלל בכ-500 פרקים.
תהליך העבודה ב-HDRL כולל עיבוד מוקדם של אותות מולטימודליים, חילוץ תכונות עמוקות ספציפיות למודאליות, יצירת ייצוג מצב מאוחד, בחירת אסטרטגיות מיזוג ושיפור המדיניות באמצעות משוב סיווג מהסוכן DQN. האינטראקציה בין מחלצי תכונות מבוססי CNN לסוכן הלמידה החיזוק יוצרת מערכת מיזוג אדפטיבית סגורה (איור 3), המאפשרת עדכוני מדיניות המבוססים על משוב תגמול.
איור 3: דיאגרמת זרימה של תהליך העבודה המוצע למידת חיזוק עמוק היברידי (HDRL). דיאגרמת זרימת עבודה המציגה חילוץ תכונות של CNN ספציפי למודאליות, שרשור תכונות, בחירה מבוססת למידה מחזקת של אסטרטגיית מיזוג (DQN/PPO), סיווג בהמשך ועדכון מדיניות מבוסס תגמול. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
תוצאות הניסוי מצביעות על כך שמודל הלמידה ההיברידי לחיזוק עמוק (HDRL) המוצע משיג ביצועים משופרים במיזוג אותות ביו-רפואיים רב-מודליים. מודל ה-HDRL הוערך על ידי אימותו מול מספר מאגרי נתונים ביו-רפואיים אמיתיים. התוצאות, מבחינת עמידות, גמישות ודיוק סיווג, מציגות את עליונותה על פני שיטות היתוך מסורתיות אחרות, כגון PCA והיתוך מבוסס DNN.
סידור ניסיוני
שלושה מאגרי נתונים ביו-רפואיים זמינים לציבור שימשו להערכת ביצועי מודל HDRL המוצע. לפני חילוץ תכונות באמצעות רשתות עצביות עמוקות, הנ...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
יעילות היתוך:
חלק זה מציג ניתוח השוואתי של יעילות ההיתוך בין HDRL, PCA ו-DNN. מערך הנתונים הרב-מודלי, שהושג על ידי מיזוג נתוני EEG, ECG ו-MRI מאתגר PhysioNet 201619, מאגר הנתונים של CHB-MIT ScalpEEG 20, ומסד הנתונים OASIS-3 MRI21, שימש לחישוב יעילות המיזוג. זמן העיבוד הוא פרמטר קריטי ביישומים קליניים בזמן אמת כגון ניטור יחידת טיפול נמרץ (ICU) ואבחון לביש, כאשר החלטות בזמן משפיעות ישירות על תוצאות המטופל1.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
המחברים מצהירים כי אין ניגודי עניינים הקשורים לעבודה זו.
תודות
המחקר בוצע חלקית במתחם ארמון המדע, קרן מיודראג קוסטיץ' - המרכז לבינה מלאכותית יישומית. מחקר זה נתמך על ידי EUROHPC-JU, מענק מס' 101191697, EuroCC4SEE.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| מסנן באטרוורת' (מסדר 4, יישום SciPy) | קהילת SciPy | לא זמין | עיבוד מוקדם של אות EEG/ECG |
| מאגר ה-EEG של קרקפת CHB-MIT | PhysioNet | DOI: 10.13026/C2K01R | מאגר נתונים של EEG |
| כלי חילוץ מוח FSL (BET) | ספריית התוכנה של FMRIB (FSL) | לא זמין | הפשטת גולגולת MRI |
| קראס (v2.12) | גוגל LLC | לא זמין | ממשק API של רשת עצבית ברמה גבוהה |
| כרטיס המסך של NVIDIA (≥ זיכרון VRAM של 8 גיגה-בייט) | תאגיד NVIDIA | תלוי במודל | נדרש להכשרת למידה עמוקה מואצת |
| מאגר ה-MRI של OASIS-3 | אוניברסיטת וושינגטון | DOI: 10.1002/alz.047259 | מאגר נתוני MRI |
| מערך הנתונים של אתגר PhysioNet 2016 | PhysioNet | DOI: 10.22489/CinC.2016.179-154 | מערך נתוני ECG |
| פייתון (גרסה 3.9 או מאוחר יותר) | קרן התוכנה של פייתון | לא זמין | סביבת התכנות |
| קווי בסיס יציבים3 | DLR-RM (קוד פתוח) | לא זמין | מימוש למידה מחזקת (DQN, PPO) |
| TensorFlow (v2.12) | גוגל LLC | לא זמין | מסגרת למידה עמוקה |
| תחנת עבודה (מעבד רב-ליבות, ≥ 32 GB RAM, > כרטיס מסך 8 גיגה-בייט) | מוכר מקומי שנבנה בהתאמה אישית | לא זמין | משמש לאימון מודלים וניסויים |
מקורות
- Stahlschmidt, S. R., Ulfenborg, B., Synnergren, J. Multimodal deep learning for biomedical data fusion: a review. Brief. Bioinform. 23 (2), bbab569(2022).
- Er, A. G., et al. Multimodal data fusion using sparse canonical correlation analysis and cooperative learning: a COVID-19 cohort study. NPJ Digit. Med. 7 (1), 45(2024).
- Deng, X., Dragotti, P. L. Deep convolutional neural network for multi-modal image restoration and fusion. IEEE Trans. Pattern Anal. Mach. Intell. 43 (10), 3333-3348 (2021).
- Duan, J., Xiong, J., Li, Y., Ding, W. Deep learning based multimodal biomedical data fusion: overview and comparative review. Inf. Fusion. 105, 102536(2024).
- Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. Proc. Int. Conf. Learn. Represent. , (2015).
- He, K., Zhang, X., Ren, S., Sun, J. Deep residual learning for image recognition. Proc. IEEE Conf. Comput. Vis. Pattern Recognit. , 770-778 (2016).
- Boda, S., Mahadevappa, M., Dutta, P. K. Automated patient-specific ECG beat classification using LSTM-based recurrent neural networks. Biomed. Signal Process. Control. 84, 104756(2023).
- Mulani, J., et al. Deep reinforcement learning based personalized health recommendations. Adv. Healthcare Syst. , 231-255 (2020).
- Sutton, R. S., Barto, A. G. Reinforcement Learning: An Introduction. , 2nd ed, MIT Press. (2018).
- Mnih, V., et al. Human-level control through deep reinforcement learning. Nature. 518 (7540), 529-533 (2015).
- Mnih, V., et al. Asynchronous methods for deep reinforcement learning. arXiv. , (2016).
- Yu, C., Liu, J., Nemati, S., Yin, G. Reinforcement learning in healthcare: a survey. ACM Comput. Surv. 55 (1), 1-36 (2023).
- Gupta, A., et al. Genetic algorithm assisted fuzzy Q-learning epileptic seizure classifier. IEEE Trans. Neural Syst. Rehabil. Eng. 30, 112-123 (2022).
- Sharma, R., et al. Fuzzy lattices assisted EJAYA Q-learning for pulmonary disease classification. Comput. Biol. Med. 145, 105432(2022).
- Kumar, P., et al. Epileptic seizure classification using fuzzy lattices and neural reinforcement learning. J. Biomed. Inform. 135, 104210(2023).
- Singh, V., et al. Modified fuzzy Q-learning classifier for pneumonia and tuberculosis. Med. Image Anal. 85, 102756(2023).
- Zhu, X., Li, Y. Latent multi-scale residual transformer for cross-modal medical image synthesis. IEEE Access. 13, 58745-58758 (2025).
- Raffin, A., et al. Stable-baselines3: reliable reinforcement learning implementations. J. Mach. Learn. Res. 22 (268), 1-8 (2021).
- Clifford, G. D., et al. Classification of normal/abnormal heart sound recordings: PhysioNet/Computing in Cardiology Challenge 2016. Comput. Cardiol. 43, 609-612 (2016).
- Goldberger, A., et al. CHB-MIT Scalp EEG Database. PhysioNet. , (2021).
- Marcus, D., et al. OASIS-3 MRI database for Alzheimer’s disease detection. Alzheimers Dement. 16 (S10), e047259(2020).
- Jain, A., Mehrotra, A., Rewariya, A., Kumar, S. A systematic study of deep Q-networks and their variations. 2nd Int. Conf. Adv. Comput. Innov. Technol. Eng, , 2157-2162 (2022).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.