Soyut

Yapay Zeka (YZ), sağlık sektörü de dahil olmak üzere çeşitli sektörlerde üretkenliği, verimliliği ve etkinliği artıran günümüzün en gelişmiş teknolojilerinden biridir. Ancak bu üretkenliğin tanımlanması, müdahale alanında veri kullanılabilirliğini gerektirir. Potansiyeline karşın, sağlık sektörü inovasyonu için biyomedikal veriler, gizlilik endişeleri nedeniyle erişilmesi en zor verilerden biridir. Bu zorluğun üstesinden gelmenin yollarından biri, sağlık sektörü üretkenliğinde devrim yaratma potansiyeline sahip olan “Verileri Artırmak” için YZ’nin kullanılmasıdır. Bu araştırma makalesi, biyomedikal veriler için Veri Artırma (DA) üzerine kapsamlı bir inceleme sunmakta olup, özellikle Üretken Çelişkili Ağ (GAN) odaklı öğrenme yöntemlerine odaklanmaktadır. Veri Artırma yöntemlerini, bu yöntemlerin özellikleri, üretilen verilerin kalitesini değerlendirmek için kullanılan performans ölçütleri ve her yöntemin sınırlamaları açısından analiz etmektedir. Ayrıca, bu çalışma, GAN’ların ve Koşullu GAN’ların (CGAN’lar) performansını, özellikler ve performans ölçütlerini içeren iki farklı bakış açısıyla farklı veri kaynakları ve boyutları üzerinde değerlendirmek için kapsamlı bir deneysel analiz içermektedir. Sonuç olarak, mevcut GAN’ların ve GAN’ların değiştirilmiş versiyonlarının analizi, biyomedikal uygulamalarda üretken modellerin kullanımında önemli bir potansiyel olduğunu göstermektedir. Bu araştırmadan elde edilen temel bulgular, güvenilir artırılmış verilere ulaşmada iki temel zorluğu ortaya koymaktadır: a) GAN modelleri için kararsız eğitim ve b) daha güvenilir değerlendirme ölçütlerine duyulan ihtiyaç. Bu zorlukların ele alınması, minimum eğitim verisi ve öğrenme yinelemeleriyle güvenilir DA tekniklerini garanti altına alabilen yeni nesil GAN ​​modelleri geliştirmek için hayati önem taşıyacaktır.

Kaynak: https://link.springer.com/article/10.1007/s41060-025-00893-x