कृत्रिम बुद्धिमत्ता द्वारा कृत्रिम डेटा उत्पन्न करना जिससे हेमेटोलॉजी में अनुसंधान और सटीक चिकित्सा को तेज किया जा सके

उद्देश्य: कृत्रिम डेटा वे कृत्रिम डेटा होते हैं जो किसी वास्तविक रोगी की जानकारी को शामिल किए बिना एक एल्गोरिदम द्वारा उत्पन्न किए जाते हैं जिसे एक वास्तविक स्रोत डेटा सेट की विशेषताओं को सीखने के लिए प्रशिक्षित किया गया है, और यह जीवन विज्ञान में अनुसंधान को तेज करने के लिए व्यापक रूप से उपयोग किया जाता है। हमारा लक्ष्य था (1) विभिन्न हेमेटोलॉजिकल न्यूप्लाज्म में कृत्रिम बुद्धिमत्ता का उपयोग करके कृत्रिम डेटा बनाना; (2) डेटा की विश्वसनीयता और गोपनीयता संरक्षण का आकलन करने के लिए एक कृत्रिम मान्यता ढांचा विकसित करना; और (3) हेमेटोलॉजी में नैदानिक/अनुवाद अनुसंधान को तेज करने के लिए कृत्रिम डेटा की क्षमता का परीक्षण करना। विधियाँ: कृत्रिम डेटा उत्पन्न करने के लिए एक शर्तीय उत्पन्न करने वाली प्रतिकूल नेटवर्क वास्तुकला को लागू किया गया। उपयोग के मामलों में मायेलोडिसप्लास्टिक सिंड्रोम (MDS) और AML शामिल थे: 7,133 रोगियों को शामिल किया गया। कृत्रिम डेटा की विश्वसनीयता और गोपनीयता संरक्षण का आकलन करने के लिए एक पूरी तरह से समझने योग्य मान्यता ढांचा बनाया गया। परिणाम: हमने उच्च विश्वसनीयता और गोपनीयता प्रदर्शन के साथ MDS/AML कृत्रिम समूहों का निर्माण किया (जिसमें नैदानिक विशेषताओं, जीनोमिक्स, उपचार और परिणामों की जानकारी शामिल थी)। इस तकनीक ने जानकारी की कमी/अपूर्ण जानकारी का समाधान करने और डेटा वृद्धि की अनुमति दी। इसके बाद, हमने हेमेटोलॉजी में अनुसंधान को तेज करने में कृत्रिम डेटा के संभावित मूल्य का आकलन किया। 2014 से उपलब्ध 944 MDS रोगियों से शुरू होकर, हमने 300% बढ़ाए गए कृत्रिम समूह का निर्माण किया और प्रकट किया कि आणविक वर्गीकरण और आणविक स्कोरिंग प्रणाली का विकास कई वर्षों बाद 2,043 से 2,957 वास्तविक रोगियों से प्राप्त हुआ। इसके अतिरिक्त, luspatercept के साथ इलाज किए गए 187 MDS रोगियों से शुरू करते हुए, हमने एक कृत्रिम समूह उत्पन्न किया जिसने अध्ययन के सभी नैदानिक अंत बिंदुओं को पुन: प्रस्तुत किया। अंत में, हमने एक वेबसाइट विकसित की ताकि चिकित्सक वास्तविक रोगियों के मौजूदा बायोबैंक से उच्च गुणवत्ता वाले कृत्रिम डेटा उत्पन्न कर सकें। निष्कर्ष: कृत्रिम डेटा वास्तविक नैदानिक-जेनेटिक विशेषताओं और परिणामों की नकल करता है, और रोगी की जानकारी को गुमनाम करता है। इस तकनीक का कार्यान्वयन वास्तविक डेटा के वैज्ञानिक उपयोग और मूल्य को बढ़ाने की अनुमति देता है, जिससे हेमेटोलॉजी में सटीक चिकित्सा और नैदानिक परीक्षणों का संचालन तेज होता है।