Lêkolînerên Enstîtuya Fîzîk û Teknolojiyê ya Moskowê pergalek zîrekiya sûni pêşxistine ku ji xebata mejiyê mirov îlham girtiye. Armanca sîstemê ew e ku analîza wêneyên MRI yên dil, nemaze yên bi deng an jî beşên winda, baştir bike, di heman demê de li gorî hin pergalên heyî çavkaniyên hesabkirinê kêmtir xerc bike.
Li gorî lêkolînek ku di kovara *Sciences Applied* de di Tebaxa 2026an de hatiye weşandin, sîstem xwe dispêre toreke neural ku mekanîzmayek pêşbînîkirinê bikar tîne ku ji rola mejiyê di pêşbînîkirin û rastkirina xeletiyan de îlham girtiye. Ev alîkariya analîzkirina rêza beşên wênekirina bijîşkî dike û tevî agahdariya netemam an jî kalîteya nizm, hevgirtina anatomîkî diparêze.
Lêkolîn li ser destnîşankirina atriumê çepê yê dil di wêneyên MRI de, gavek girîng di plansazkirina hin prosedurên dermankirinê de, di nav de ablasyona kateterê ji bo fîbrîlasyona atriumê, sekinî.
Lêkolîneran sîstem bi karanîna daneyên ji 100 nexweşan ceribandin, bi zanebûn deng dan destpêkirin û hin beşên wêneyê jêbirin da ku şiyana wê ya birêvebirina daneyên netemam binirxînin. Encam nîşan dan ku modela nû katsayiya DICE ya 0.815 bi dest xist, li gorî 0.801 ji bo tora neural a dubare ya kevneşopî di wêneyên nezelal de.
Lêkolîneran performansa wê li ser komek serbixwe ya 21 nexweşan ji saziyek din jî ceribandin, û ew di çend pîvandinên sînorê anatomîkî de ji modela kevneşopî çêtir performans nîşan da.
Karbidestiya hesabkirinê ya pergalê wekî yek ji avantajên wê yên herî girîng derket holê; ji bo pêvajoya mezinahiya wêneyê ya ku di ceribandinê de hatî bikar anîn bi qasî 18 mîlîçirkeyan girt, li gorî bi qasî 23 çirkeyan ji bo pergala nnU-Net. Her wiha bi qasî 110 megabayt bîra GPU xerc kir, li gorî bi qasî 1.57 gîgabayt ji bo pergala din.
Lêbelê, lêkolîneran destnîşan kirin ku pergala nû di rastbûna giştî de ji nnU-Net derbas nebû, ji ber ku ya paşîn katsayiya DICE ya 0.916 di wêneyên nezelal de bi dest xist. Ev yek nîşan dide ku nûjenî hevsengiyek di navbera rastbûn, leza û xerckirina çavkaniyan de pêşkêş dike, li şûna ku ji hemî nîşaneyên performansê çêtir performans nîşan bide.
Lêkolîner hêvî dikin ku ev encam dê rê li ber pêşxistina sepanên din ên AI di wênekirina bijîşkî de vekin, ji bilî analîzkirina sînyalên biyolojîkî, wekî elektrokardiyografî û elektroensefalografî, ku dibe ku bibe alîkar ku karanîna teknolojiyên bijîşkî yên pêşkeftî di jîngehên ku çavkaniyên hesabkirinê yên mezin tune ne de berfireh bibe.
