डीप लर्निंग तकनीकों का उपयोग करके मस्तिष्कीय रक्तस्राव की भविष्यवाणी

संक्षेपचेतावनी मस्तिष्कीय रक्तस्राव या सेरेब्रोवास्कुलर दुर्घटना (CVA) पूरी दुनिया में मृत्यु दर और दीर्घकालिक असक्षम्ता का एक प्रमुख कारण है, जिसमें जल्दी और सटीक पहचान मरीजों की जान बचाने की एक कुंजी के रूप में कार्य करती है। प्रस्तुत कार्य एक चिकित्सा चित्र वर्गीकरण प्रणाली प्रदान करता है जो गहन शिक्षण पर आधारित है ताकि वास्तविक समय में स्ट्रोक का पूर्वानुमान लगाने में सहायता प्राप्त की जा सके, जिसमें कन्वोल्यूशनल न्यूरल नेटवर्क (CNNs) का उपयोग किया जाता है। प्रस्तावित मॉडल को सामान्य और स्ट्रोक में वर्गीकृत मस्तिष्क के चिकित्सा छवियों पर प्रशिक्षित किया गया है और चित्रों के आकार को 256 x256 पर समाहित किया गया है और विशेषताओं को सिखाने के लिए सामान्यीकृत किया गया है। CNN मॉडल में लगातार कन्वोल्यूशन, मैक्स-पूलिंग, फ्लैटनिंग और सिग्मोइड-सक्रिय घनत्व परतें शामिल हैं जो एडम ऑप्टिमाइज़र के माध्यम से द्विआधारी क्रॉस एंटरोपी हानि के साथ अनुकूलित की जाती हैं। 32 के बैच का आकार और 10 प्रशिक्षण युगों के साथ 80:20 प्रशिक्षण-मान्यता विभाजित किया जाता है। वास्तविक समय के नैदानिक उपयोगिता को प्राप्त करने के लिए, प्रशिक्षित मॉडल को स्ट्रीमलिट के वेब-आधारित आवेदन की मदद से लॉन्च किया गया है, जो चिकित्सा छवियों का इंटरएक्टिव अपलोड, संभावनाओं के आधार पर स्ट्रोक भविष्यवाणी, विशेष निर्णय थ्रेशोल्ड का चयन और बार चार्ट के साथ आत्मविश्वास स्तरों का दृश्य प्रस्तुत करने की सुविधा प्रदान करता है। निर्मित ढाँचा यह दर्शाता है कि असली समय की चिकित्सा निर्णय सहायता प्रणालियों में गहन शिक्षण पर आधारित स्ट्रोक पूर्वानुमान प्रणाली को शामिल करना संभव है और नैदानिक योगदान में सुधार करना संभव है।