amerikali
Yeni Üye
Yakın zamanda yapılan bir çalışmada, Cleveland, Ohio'daki Case Western Reserve Üniversitesi'ndeki araştırmacılar, yapılı çevre ile farklı mahallelerdeki koroner kalp hastalığının (KKH) görülme sıklığı arasında bir bağlantı kurmak için Google Street View'daki sokak görünümlerini yapay zeka kullanarak analiz etti.
Reklamcılık
Street View verilerini kullanan iyileştirilmiş tahmine dayalı modeller
European Heart Journal'da yayınlanan çalışma, Street View görüntülerinden makine öğrenimi kullanılarak elde edilen kentsel ortam özelliklerinin, mahalleler arasındaki KKH yaygınlığındaki farklılıkların yüzde 63'ünü açıklayabildiğini öne sürüyor. Google Street View görüntülerinin analizi, daha önce yalnızca yaş, cinsiyet, etnik köken, gelir ve nüfus sayımındaki eğitimi dikkate alan bir modeli geliştirdi.
Çalışma için Detroit, Kansas City, Cleveland, Brownsville, Fremont, Bellevue ve Denver'dan Google Street View'dan alınan yaklaşık yarım milyon görsel değerlendirildi. Ekip, görüntüleri işlemek ve çevresel bilgileri çıkarmak için önceden eğitilmiş derin evrişimli sinir ağı Places365 CNN'yi kullandı.
Grad-CAM risk faktörlerini görünür kılar
Gradyan Ağırlıklı Sınıf Aktivasyon Haritalaması (Grad-CAM) kullanılarak yapılan ek analizler sayesinde araştırmacılar, yapay zekaya göre hangi spesifik çevresel özelliklerin artmış veya azalmış KKH riski ile ilişkili olduğunu da belirleyebildiler. Harap binalar ve yol hasarları artan bir riske işaret ederken, sokak yeşillikleri daha düşük bir riskle ilişkilendirildi. Yazarlar, yaklaşımlarının, coğrafi verilerin yapay zeka tarafından değerlendirilmesi yoluyla şehrin artan risk taşıyan bölgelerini hızlı bir şekilde belirleme potansiyeline sahip olduğunu düşünüyor. Bu şekilde hedefe yönelik önleme tedbirleri alınabilir ve kentsel alanlardaki kardiyovasküler eşitsizlikler azaltılabilir.
Grad-CAM, Gradyan Ağırlıklı Sınıf Aktivasyon Haritalaması'nın kısaltması olup, bir görüntünün hangi alanlarının belirli bir sınıfın tanımlanmasına katkıda bulunduğunu görselleştirerek evrişimli sinir ağlarının (CNN'ler) karar vermesine ilişkin bilgiler sağlayan bir tekniktir. Bu, görüntünün hangi bölümlerinin sınıflandırma için önemli olduğunu gösteren ısı haritası benzeri bir temsil oluşturmak için CNN'nin son evrişimsel katmanına göre hedef sınıfın gradyanları kullanılarak elde edilir.
Ancak araştırmacıların da kabul ettiği gibi çalışmanın bazı sınırlamaları da var. Sokak Görünümü verileri yalnızca ana caddeleri gösterir, ancak uzaktaki yerleşim alanlarını göstermez. Ayrıca yapay zeka modelleri yalnızca sınırlı ayrıntıları ve nesneleri tanıyabiliyor. “Grad-CAM” görselleştirmesi aynı zamanda yapay zekanın gerçekte neyi yakaladığı konusunda spekülasyonlara da yer bırakıyor. Son olarak, analiz edilen veriler yalnızca yedi ABD şehrinden geliyor ve mutlaka genelleştirilemez.
Grad-CAM'ler, Google Street View görüntülerinde koroner kalp hastalığının (resimde KKH olarak anılır) yaygınlığıyla ilişkili özellikleri yorumlamak için kullanıldı: görüntü çiftleri ve bunların aktivasyon haritaları, her ikisi de daha yüksek olan özellikleri gösterdi (A, B). ) ve kalp hastalığının daha düşük bir prevalansı (C, D).
(Resim: Avrupa Kalp Dergisi)
ayrıca oku
Daha fazla göster
daha az göster
(vza)
Haberin Sonu
Reklamcılık
Street View verilerini kullanan iyileştirilmiş tahmine dayalı modeller
European Heart Journal'da yayınlanan çalışma, Street View görüntülerinden makine öğrenimi kullanılarak elde edilen kentsel ortam özelliklerinin, mahalleler arasındaki KKH yaygınlığındaki farklılıkların yüzde 63'ünü açıklayabildiğini öne sürüyor. Google Street View görüntülerinin analizi, daha önce yalnızca yaş, cinsiyet, etnik köken, gelir ve nüfus sayımındaki eğitimi dikkate alan bir modeli geliştirdi.
Çalışma için Detroit, Kansas City, Cleveland, Brownsville, Fremont, Bellevue ve Denver'dan Google Street View'dan alınan yaklaşık yarım milyon görsel değerlendirildi. Ekip, görüntüleri işlemek ve çevresel bilgileri çıkarmak için önceden eğitilmiş derin evrişimli sinir ağı Places365 CNN'yi kullandı.
Grad-CAM risk faktörlerini görünür kılar
Gradyan Ağırlıklı Sınıf Aktivasyon Haritalaması (Grad-CAM) kullanılarak yapılan ek analizler sayesinde araştırmacılar, yapay zekaya göre hangi spesifik çevresel özelliklerin artmış veya azalmış KKH riski ile ilişkili olduğunu da belirleyebildiler. Harap binalar ve yol hasarları artan bir riske işaret ederken, sokak yeşillikleri daha düşük bir riskle ilişkilendirildi. Yazarlar, yaklaşımlarının, coğrafi verilerin yapay zeka tarafından değerlendirilmesi yoluyla şehrin artan risk taşıyan bölgelerini hızlı bir şekilde belirleme potansiyeline sahip olduğunu düşünüyor. Bu şekilde hedefe yönelik önleme tedbirleri alınabilir ve kentsel alanlardaki kardiyovasküler eşitsizlikler azaltılabilir.
Grad-CAM, Gradyan Ağırlıklı Sınıf Aktivasyon Haritalaması'nın kısaltması olup, bir görüntünün hangi alanlarının belirli bir sınıfın tanımlanmasına katkıda bulunduğunu görselleştirerek evrişimli sinir ağlarının (CNN'ler) karar vermesine ilişkin bilgiler sağlayan bir tekniktir. Bu, görüntünün hangi bölümlerinin sınıflandırma için önemli olduğunu gösteren ısı haritası benzeri bir temsil oluşturmak için CNN'nin son evrişimsel katmanına göre hedef sınıfın gradyanları kullanılarak elde edilir.
Ancak araştırmacıların da kabul ettiği gibi çalışmanın bazı sınırlamaları da var. Sokak Görünümü verileri yalnızca ana caddeleri gösterir, ancak uzaktaki yerleşim alanlarını göstermez. Ayrıca yapay zeka modelleri yalnızca sınırlı ayrıntıları ve nesneleri tanıyabiliyor. “Grad-CAM” görselleştirmesi aynı zamanda yapay zekanın gerçekte neyi yakaladığı konusunda spekülasyonlara da yer bırakıyor. Son olarak, analiz edilen veriler yalnızca yedi ABD şehrinden geliyor ve mutlaka genelleştirilemez.
Grad-CAM'ler, Google Street View görüntülerinde koroner kalp hastalığının (resimde KKH olarak anılır) yaygınlığıyla ilişkili özellikleri yorumlamak için kullanıldı: görüntü çiftleri ve bunların aktivasyon haritaları, her ikisi de daha yüksek olan özellikleri gösterdi (A, B). ) ve kalp hastalığının daha düşük bir prevalansı (C, D).
(Resim: Avrupa Kalp Dergisi)
ayrıca oku
Daha fazla göster
daha az göster
(vza)
Haberin Sonu