“`html
Недавние достижения в области самообучения (SSL) привели к разработке моделей основы (FMs), которые анализируют обширные биомедицинские данные, улучшая результаты в области здравоохранения.
Применение в медицине
Недавние достижения в области самообучения (SSL) привели к разработке моделей основы (FMs), которые анализируют обширные биомедицинские данные, улучшая результаты в области здравоохранения. Непрерывный мониторинг уровня глюкозы (CGM) предлагает богатые временные данные о глюкозе, но должен быть использован для более широких прогнозов в области здоровья. SSL позволяет FMs эффективно анализировать неразмеченные данные, улучшая показатели обнаружения в различных медицинских областях, от ретинальных изображений до нарушений сна и патологий.
Применение в диабете
С учетом того, что диабет затрагивает более 500 миллионов человек по всему миру и увеличивает затраты на здравоохранение, CGM доказал свою превосходство над традиционным мониторингом уровня глюкозы, улучшая гликемический контроль и качество жизни. Одобрение FDA устройства для CGM без рецепта подчеркивает его растущую доступность и потенциальные преимущества для диабетиков и недиабетиков.
Применение в исследованиях
Исследователи из таких учреждений, как Институт Вейцмана и NVIDIA, представляют GluFormer, генеративную модель основы, использующую архитектуру трансформера, обученную на более чем 10 миллионах измерений CGM от 10 812 недиабетиков. GluFormer, обученный с использованием самообучения, хорошо обобщается на 15 внешних наборов данных и различные популяции, показывая превосходную производительность в прогнозировании клинических параметров, таких как HbA1c, показатели печени и будущие результаты здоровья, включая до четырех лет вперед.
Применение в управлении заболеваниями
GluFormer представляет собой значительное достижение в управлении хроническими заболеваниями и улучшении стратегий точной медицины.
Технические характеристики
GluFormer – модель на основе трансформера, разработанная для анализа данных CGM от 10 812 участников; каждый из которых отслеживался в течение двух недель. Модель обрабатывает показания уровня глюкозы, которые записываются каждые 15 минут и изначально очищаются от шума калибровки. Данные токенизированы на 460 интервалов значений глюкозы и разделены на образцы из 1200 измерений, с использованием специального токена для более коротких образцов. Архитектура модели включает 16 слоев трансформера, 16 внимательных голов и размерность вложения 1024, обрабатывающих последовательности до 25 000 токенов. Предварительное обучение включало предсказание последующих токенов с использованием причинной маскировки и потерь перекрестной энтропии. Оптимизация проводилась с помощью AdamW и планировщика скорости обучения, а окончательная оценка основывалась на показателях производительности из набора валидации.
Клиническое применение
Выходы GluFormer были объединены для клинического применения с использованием методов, таких как Max Pooling, которые оказались наиболее эффективными для прогнозирования клинических результатов, таких как HbA1c. Клинические метрики, полученные из данных CGM с использованием пакета R iglu, использовались с моделями ридж-регрессии для прогнозирования различных результатов. Обобщаемость модели была оценена на внешних наборах данных, и ее способность прогнозировать результаты случайных клинических исследований была оценена. Проводились сравнения с другими моделями, включая обычный трансформер и сверточные нейронные сети. В то же время изучались методы включения временной информации и данных о питании, демонстрируя, что изученные временные вложения и токены питания улучшали прогностическую производительность.
Результаты и применение
Модель GluFormer продемонстрировала надежную производительность в генерации данных CGM и прогнозировании клинических результатов. Обученная на большом наборе данных, GluFormer отличается в производстве точных сигналов CGM и их встраивании для различных приложений. Она показала высокую производительность в прогнозировании клинических параметров, таких как HbA1c, висцеральный жировой ткани и уровень глюкозы натощак. Модель эффективно обобщается на когорты и интегрирует данные о питании, улучшая прогнозы ответа на глюкозу. Улучшения, включая временное кодирование и мультимодальную интеграцию, улучшают ее прогностическую точность. Эти результаты подчеркивают полезность GluFormer в персонализированной медицине и ее приспособляемость к различным наборам данных и временным рамкам.
Заключение
В заключение, GluFormer, обученная на данных CGM от более чем 10 000 недиабетиков, отличается в производстве точных сигналов глюкозы и прогнозировании ряда клинических результатов. Она превосходит традиционные метрики в прогнозировании параметров, таких как HbA1c и функция печени, и показывает широкую применимость в различных популяциях и состояниях здоровья. Латентное пространство модели эффективно улавливает тонкие аспекты метаболизма глюкозы, улучшая ее способность прогнозировать прогрессирование диабета и результаты клинических исследований. Интеграция данных о питании дополнительно улучшает ее прогнозы. Несмотря на ее потенциал, остаются вызовы, включая ограничения набора данных, точность данных о питании и интерпретируемость модели. GluFormer представляет собой значительное достижение в управлении персонализированным метаболическим здоровьем и исследованиях.
Проверьте статью и проект. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Твиттер и присоединиться к нашему каналу в Телеграме и группе в LinkedIn. Если вам нравится наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему сообществу более чем 50 тыс. участников на Reddit.
БЕСПЛАТНЫЙ ВЕБИНАР ПО ИИ: “SAM 2 для видео: как настроить на ваши данные” (ср, 25 сентября, 4:00 – 4:45 EST)
Статья GluFormer: Advancing Personalized Metabolic Health through Generative AI Modeling and Self-Supervised Learning впервые появилась на MarkTechPost.
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте GluFormer: Advancing Personalized Metabolic Health through Generative AI Modeling and Self-Supervised Learning.
Проанализируйте, как ИИ может изменить вашу работу. Определите, где возможно применение автоматизации: найдите моменты, когда ваши клиенты могут извлечь выгоду из AI.
Определитесь какие ключевые показатели эффективности (KPI): вы хотите улучшить с помощью ИИ.
Подберите подходящее решение, сейчас очень много вариантов ИИ. Внедряйте ИИ решения постепенно: начните с малого проекта, анализируйте результаты и KPI.
На полученных данных и опыте расширяйте автоматизацию.
Если вам нужны советы по внедрению ИИ, пишите нам на https://t.me/itinai. Следите за новостями о ИИ в нашем Телеграм-канале t.me/itinainews или в Twitter @itinairu45358
Попробуйте AI Sales Bot https://itinai.ru/aisales. Этот AI ассистент в продажах, помогает отвечать на вопросы клиентов, генерировать контент для отдела продаж, снижать нагрузку на первую линию.
Узнайте, как ИИ может изменить ваши процессы с решениями от AI Lab itinai.ru. Будущее уже здесь!
“`
