AI przy łóżku pacjenta: serce, mowa wyobrażona i kalibracja tomografii

Niewydolność serca to wyzwanie dla systemów opieki. Pacjenci są starsi, obciążeni chorobami współistniejącymi i często trafiają do szpitala. Zdalne monitorowanie obiecuje wcześniejsze wychwycenie pogorszenia, ale dane z telemonitoringu są rzadkie, nieregularnie próbkowane i zdominowane przez przypadki bez zdarzenia.

Wykrywanie pogorszenia z danych telemonitoringu

Model TRACER, czyli transformer z kontrastową reprezentacją zdarzeń, powstał właśnie z myślą o takich danych. Łączy osadzenia biomarkerów uwzględniające czas, kontrastowe uczenie wstępne wzmacniające wykrywanie anomalii oraz niezależne klasyfikatory binarne dla poszczególnych wykryć. Autorzy pracowali na sekwencjach pomiarów zdalnych od 276 pacjentów z niewydolnością serca. Sekwencje dzielili na nachodzące na siebie okna według reguł czasowych, a etykiety przypisywali na podstawie hospitalizacji na końcu okna. Model poprawnie przewidział 66,7 proc. ścieżek prowadzących do hospitalizacji z powodu niewydolności serca, przy zawyżeniu o 7,9 proc., w silnie niezbalansowanym zbiorze rzeczywistym. Trening przeformułowany na zadanie detekcji zdarzeń dał lepsze wyniki niż uczenie wprost na oknach prognostycznych i pozwolił lepiej wykorzystać nieliczne zdarzenia. Autorzy piszą, że celem jest generowanie alertów umożliwiających wczesną interwencję, a nie zastąpienie decyzji klinicznej.

Mowa wyobrażona i uczciwa ocena

Dekodowanie mowy wyobrażonej z elektroencefalografii jest rozważane jako droga komunikacji dla osób z ciężkimi zaburzeniami ruchowymi. Problem w tym, że zgłaszane wyniki często opierają się na protokołach oceny, które nie odzwierciedlają uogólniania na nowe osoby. Duński zespół Frederika Møllskova Triera przeprowadził przejrzyste badanie bazowe na wieloklasowym zbiorze EEG mowy wyobrażonej w ściśle niezależnym od osoby schemacie oceny.

Porównano dwa potoki przetwarzania i ekstrakcji cech: statystyczne cechy w dziedzinie czasu oraz moc w pasmach widma. Druga ścieżka uzyskała istotnie wyższą średnią dokładność na poziomie próby, 49,03 plus minus 4,18 proc. wobec 37,97 plus minus 3,79 proc., w klasyfikacji zgrubnej między osobami. Selekcja cech w przód wskazała, że większość informacji dyskryminacyjnej niesie ograniczony podzbiór pasm. Autorzy traktują to jako solidną podstawę dla dalszych prac nad interfejsami mózg–komputer, a nie jako gotowy produkt.

Kalibracja, gdy model jest czarną skrzynką

Trzecia praca dotyczy bezpieczeństwa systemów radiologicznych. Aby decyzje o triażu, kolejnych badaniach czy planowaniu leczenia były bezpieczne, prawdopodobieństwa zwracane przez model muszą być skalibrowane, czyli odzwierciedlać realne ryzyko. Typowe techniki poprawy kalibracji, jak dropout Monte Carlo czy głębokie zespoły, wymagają dostępu do parametrów modelu albo ponownego treningu, a komercyjne systemy kliniczne są czarnymi skrzynkami.

Proponowany framework jest niezależny od modelu. Wykorzystuje klinicznie uzasadnione rozszerzanie zbioru testowego: stosuje geometryczne i inspirowane fizyką perturbacje trójwymiarowej tomografii komputerowej, a potem uczy strategii agregacji prawdopodobieństw bez dostępu do wnętrza modelu ani do danych treningowych. W zadaniach wykrywania zatorowości płucnej i krwawienia śródmózgowego wariant DualTTA osiągnął najlepszą kalibrację wśród metod rozszerzania zbioru testowego. Obniżył oczekiwany błąd kalibracji o 54 proc. (z 0,239 do 0,109) oraz o 43 proc. (z 0,051 do 0,029). W większości metryk wyprzedził przy tym techniki wymagające dostępu do wnętrza modelu, takie jak skalowanie temperaturą, dropout Monte Carlo i głębokie zespoły.

Trzy prace razem wyznaczają granicę praktyczną: miejsce, w którym model działa na realnych, rzadkich i nieregularnych danych, oraz miejsce, w którym wartość dodaną daje nie nowy model, lecz uczciwa ocena i kalibracja.