Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Yöntem makalesi
Bu protokol; doğru tahmin, şeffaf karar verme ve kişiselleştirilmiş diyabet yönetimi için federasyon öğrenme, çok modlu transformatörler, difüzyon tabanlı artırma, graf tabanlı kişiselleştirilmiş ilaç önerisi ve açıklanabilir yapay zeka aracılığıyla gizliliğe saygı duyan çok modlu bir diyabet zekası çerçevesi olan FedMediFormer-XAI'yi önermektedir.
Diyabet yönetimi; parçalı sağlık verileri, gizlilik endişeleri, yetersiz açıklanabilirlik ve kişiselleştirilmiş terapötik rehberliğin eksikliği gibi bir dizi engel ile karşı karşıyadır. Bu araştırma çalışması; diyabet zekası için federatif öğrenme, multimodal transformer'lar, difüzyon tabanlı veri artırımı, ilaç önerisi için Graf Sinir Ağları (GNN'ler) ve Açıklanabilir Yapay Zeka'yı (XAI) içeren birleşik ve uygun bir çerçeve olan FedMediFormer-XAI'yi tanıtmaktadır. Sistem; klinik kayıtlar, popülasyon sağlığı göstergeleri, sürekli glikoz izleme verileri, retinal fundus görüntüleri, giyilebilir sensör ölçümleri ve farmakolojik bilgiler gibi çeşitli sağlık veri türlerini kullanmaktadır. Sentetik örnekler oluşturmak ve sınıf dengesizliğini gidermek için difüzyon modelleri kullanılırken, çok farklı veri kaynakları arasındaki ilişkileri öğrenmek için multimodal transformer mimarileri uygulanmaktadır. Federatif öğrenme, ham hasta verilerini paylaşmadan, gizliliği koruyan bir yöntemle modellerin iş birliğine dayalı eğitimini sağlar. GNN bileşeni, kişiselleştirilmiş ilaç önerileri için hasta-ilaç ve ilaç-ilaç etkileşimlerini yakalar. SHapley Additive exPlanations (SHAP), dikkat görselleştirme, Entegre Gradyanlar ve karşıolgusal akıl yürütme gibi açıklanabilirlik yöntemleri, tahmin ve öneri sonuçlarının şeffaf yorumlarını sunar. Temsili uygulamada, önerilen çerçeve %94,2 doğruluk, %93,1 kesinlik, %92,8 duyarlılık, %92,9 F1-skoru, 0,88 Matthews Korelasyon Katsayısı (MCC) ve 0,96 Alıcı İşletim Karakteristiği Eğrisi Altındaki Alan (AUC-ROC) elde etmiştir. Graf tabanlı öneri modülü kesinlik = 0,89, duyarlılık = 0,84 ve Normalize Edilmiş İndirgenmiş Kümülatif Kazanç (NDCG) = 0,91 değerlerine ulaşmıştır. Protokol; multimodal transformer'lar, federatif öğrenme, difüzyon tabanlı artırım, graf tabanlı öneri ve açıklanabilir yapay zeka kullanarak heterojen sağlık verilerinin entegrasyonu için yapılandırılmış bir yaklaşım sunmaktadır. Rapor edilen hesaplama sonuçları, çerçevenin diyabet tahmini ve kişiselleştirilmiş ilaç önerisi potansiyelini kanıtlarken, federatif tasarım merkeziyetsiz veri yönetimini desteklemektedir. Klinik faydayı, genellenebilirliği ve gerçek dünya uygulanabilirliğini belirlemek için prospektif çok merkezli bir klinik değerlendirme gereklidir.
Diabetes mellitus, insanlığı etkileyen en önemli kronik metabolik hastalıklar arasında yer almakta ve uzun vadeli etkileri ile hasta tedavi maliyetlerinin yüksekliği nedeniyle, giderek artan yaygınlığıyla ciddi bir halk sağlığı sorunu teşkil etmektedir1,2. Bir rapora göre, dünya genelinde şu anda diyabetle yaşayan 537 milyondan fazla yetişkin bulunmaktadır ve bu rakamın önümüzdeki birkaç on yıl içinde önemli ölçüde artması beklenmektedir3. Yüksek kan şekeri seviyeleri kontrol altına alınmazsa, kişi koroner kalp hastalığı4, böbrek hasarı5, ....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Bu çalışmada kullanılan tüm veri setleri, halka açık depolardan elde edilmiş olup kimliksizleştirilmiş hasta bilgileri içermektedir. Bunlar arasında Pima Indians Diabetes Veri Seti, CDC Diyabet Sağlık Göstergeleri Veri Seti, OhioT1DM Veri Seti, APTOS 2019 Körlük Tespiti Veri Seti, İlaç İnceleme Veri Seti ve İlaç-İlaç Etkileşimi Veri Seti yer almaktadır. Çalışma kapsamında doğrudan hasta alımı, müdahale, numune toplama veya tanımlanabilir kişisel sağlık bilgilerine erişim söz konusu olmamıştır. Çalışma, metodolojik geliştirme ve doğrulama amacıyla halka açık, anonimleştirilmiş veri setlerinin ikincil analizi ile sınırlandırılmış ve bu tür verilerin kullanımına ilişkin ....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Öngörücü performans analizi
FedMediFormer-XAI, değerlendirilen tek modlu ve geleneksel temel modellere kıyasla gelişmiş bir öngörücü performans sergilemiştir. Difüzyon tabanlı artırma, azınlık sınıf temsilini iyileştirmiş ve ortaya çıkan öngörücü performans Tablo 3'te özetlenmiştir. Tekrarlanan çalıştırma değerlendirmesi, değerlendirilen modeller genelinde stabil bir öngörücü performans olduğunu göstermiştir. FedMediFormer-XAI; %94,20 ± 0,34 (%95 CI: 93,78–94,62) doğruluk, %93,10 ± 0.......
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Temel bulguların yorumlanması
Temsili sonuçlar; çok modlu transformer öğrenimi, federatif öğrenme, difüzyon tabanlı artırma, grafik sinir ağı tabanlı ilaç önerisi ve açıklanabilir yapay zekanın tek bir birleşik diyabet zekası çerçevesinde birleştirilmesinin mümkün olduğunu göstermektedir. Klinik kayıtlar, popülasyon sağlığı göstergeleri, sürekli glikoz izleme verileri, retinal fundus görüntüleri ve farmakolojik bilgileri entegre eden önerilen FedMediFormer-XAI çerçevesi, yorumlanabilir ve merkeziye.......
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Yazarlar, bu çalışmada rapor edilen işi etkileyebilecek herhangi bir rakip finansal çıkar, çıkar çatışması veya kişisel ilişkiye sahip olmadıklarını beyan ederler. Yapay zeka araçları, bu makalenin hazırlanması sırasında yalnızca dilin iyileştirilmesi, taslağın düzenlenmesi, biçimlendirme ve editörlük işlemlerine yardımcı olmak amacıyla kullanılmıştır. Tüm bilimsel içerik, çalışma tasarımı, metodoloji, veri analizi, sonuçların yorumlanması ve çıkarımlar yazarlar tarafından geliştirilmiş, doğrulanmış ve onaylanmıştır. Yazarlar, bu taslakta sunulan çalışmanın doğruluğu, bütünlüğü ve özgünlüğü konusunda tüm sorumluluğu üstlenmektedir.
Yazarlar, bu çalışmada kullanılan halka açık veri setlerinin ve açık kaynaklı yazılım kaynaklarının geliştiricilerine ve yöneticilerine teşekkür ederler.
....Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| AES Şifreleme | NIST | AES-256 | Durağan veri / federasyon öğreniminde korumalı model parametre şifrelemesi |
| APTOS 2019 Körlük Tespit Veri Seti | Kaggle/APTOS | 2019 Yayını | Retinal fundus görüntü veri seti; halka açık ve kimliksizleştirilmiş; https://www.kaggle.com/competitions/aptos2019-blindness-detection/data |
| Captum | Meta AI | Versiyon 0.8 | Model yorumlanabilirliği ve atıf analizi |
| CUDA Toolkit | NVIDIA | Versiyon 12.2 | GPU hızlandırmalı hesaplama |
| Diyabet Sağlık Göstergeleri Veri Seti (CDC BRFSS 2015) | CDC/BRFSS; Kaggle | 2015 Yayını | Popülasyon sağlık göstergeleri; halka açık ve kimliksizleştirilmiş; https://www.kaggle.com/datasets/alexteboul/diabetes-health-indicators-dataset |
| Diyabetik Retinopati Tespit Veri Seti | Kaggle | Genel Yayın | Retinal görüntü veri seti; halka açık ve kimliksizleştirilmiş; https://www.kaggle.com/c/diabetic-retinopathy-detection/data |
| Dijital sertifikalar | – | – | Federasyon öğreniminde istemci kimlik doğrulaması |
| İlaç Etkileşimi Veri Seti | Kaggle | Genel Yayın | İlaç-ilaç etkileşimi grafik verileri; halka açık ve kimliksizleştirilmiş; https://www.kaggle.com/datasets/rohanharode07/drug-drug-interaction |
| İlaç İnceleme Veri Seti | UCI Machine Learning Repository | Veri Seti 462 | İlaç etkinliği ve inceleme veri seti; halka açık ve kimliksizleştirilmiş; https://archive.ics.uci.edu/dataset/462/drug+review+dataset+drugs+com |
| Matplotlib | Matplotlib Developers | Versiyon 3.9 | Görselleştirme |
| MTS Diyabet Veri Seti | Kaggle | Genel Yayın | Giyilebilir sensör / diyabet tahmini veri seti; halka açık ve kimliksizleştirilmiş; https://www.kaggle.com/datasets/marshalpatel3558/diabetespredictiondataset |
| NetworkX | NetworkX Developers | Versiyon 3.3 | İlaç etkileşimi grafik oluşturma ve analizi |
| NumPy | NumPy Developers | Versiyon 1.26 | Sayısal hesaplama |
| NVIDIA RTX 4090 GPU | NVIDIA | RTX 4090 | Model eğitimi ve çıkarımı; en az 32 GB sistem belleği |
| OhioT1DM Veri Seti | Ohio University | Genel Yayın | Sürekli glikoz izleme veri seti; halka açık ve kimliksizleştirilmiş; https://webpages.charlotte.edu/rbunescu/data/ohiot1dm/OhioT1DM-dataset.html |
| OpenCV | OpenCV Foundation | Versiyon 4.10 | Görüntü işleme |
| Pandas | PyData | Versiyon 2.2 | Veri işleme ve ön işleme |
| Pima Indianları Diyabet Veri Seti | UCI Machine Learning Repository | Veri Seti 34 | Klinik diyabet tahmini veri seti; halka açık ve kimliksizleştirilmiş; https://archive.ics.uci.edu/dataset/34/diabetes |
| Python | Python Software Foundation | Versiyon 3.11 | Birincil programlama ortamı |
| PyTorch | Meta AI | Versiyon 2.3 | Derin öğrenme model geliştirme ve eğitimi |
| PyTorch Geometric | PyG Team | Versiyon 2.5 | Grafik sinir ağı oluşturma ve eğitimi |
| Scikit-learn | Scikit-learn Developers | Versiyon 1.5 | Makine öğrenimi araçları ve değerlendirme |
| Güvenli toplama mekanizması | – | – | Federasyon öğreniminde yerel model parametrelerinin korumalı toplama işlemi |
| SHAP | SHAP Developers | Versiyon 0.47 | Açıklanabilir yapay zeka ve öznitelik atıf analizi |
| TensorFlow | Versiyon 2.15 | Derin öğrenme model geliştirme ve eğitimi | |
| Transformers | Hugging Face | Versiyon 4.45 | Transformer tabanlı mimari uygulaması |
| Taşıma Katmanı Güvenliği | IETF | TLS 1.3 | Federasyon parametre değişimi için şifreli iletişim kanalı |
| İş İstasyonu | Genel | – | Hesaplama ortamı; en az 32 GB sistem belleği |
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.