Ditulis oleh: Nessa Aulia Jalapuspa Tambunan
Deep neural networks untuk mengotomatisasi tugas manual dalam scoring data polysomnography laboratorium tidur. Para penulis menggunakan kombinasi deep recurrent dan convolutional neural networks untuk supervised learning dari label klinis, mencapai kinerja tingkat ahli.
Efek Penggunaan Deep Neural Networks
Penggunaan deep neural networks pada jurnal tersebut memberikan hasil yang sangat baik dalam mengotomatisasi tugas scoring tidur pada data polysomnography laboratorium. Dalam studi tersebut, deep neural networks berhasil mencapai kinerja yang setara dengan ahli manusia dalam mengklasifikasikan tahap tidur pada data tidur. Hal ini membuka jalan untuk akses yang lebih luas dan lebih tepat waktu terhadap diagnosis tidur. Automasi scoring yang akurat dapat meningkatkan efektivitas dan efisiensi pendekatan di laboratorium dan di rumah untuk diagnosis tidur, yang berpotensi memperluas jangkauan keahlian tidur di luar klinik spesialis.
Metode dan Hasil Pengujian
Dalam jurnal tersebut, deep neural networks diuji menggunakan data polysomnography (PSG) dari 1.050 pasien yang diatasi oleh ahli tidur manusia. Mereka berhasil mengklasifikasikan tahap tidur dengan kinerja setara ahli manusia, menunjukkan potensi besar dalam otomatisasi scoring tidur untuk diagnosis yang lebih efektif dan efisien.
Hasil dari pengujian deep neural networks pada jurnal tersebut menunjukkan bahwa deep neural networks dapat mencapai kinerja yang setara dengan ahli manusia dalam mengklasifikasikan tahap tidur pada data tidur. Dalam pengujian tersebut, deep neural networks berhasil mencapai akurasi sebesar 90,7% dalam mengklasifikasikan tahap tidur pada data tidur, yang setara dengan kinerja ahli manusia. Hal ini menunjukkan bahwa deep neural networks dapat digunakan untuk mengotomatisasi tugas scoring tidur pada data polysomnography laboratorium dengan kinerja yang sangat baik.
Deep Recurrent and Convolutional Neural Networks (RCNN)
Deep Recurrent and Convolutional Neural Networks (RCNN) adalah jenis arsitektur deep learning yang digunakan dalam jurnal tersebut untuk mengklasifikasikan tahap tidur pada data tidur. RCNN menggabungkan dua jenis arsitektur deep learning, yaitu Recurrent Neural Networks (RNN) dan Convolutional Neural Networks (CNN).Â
RNN adalah jenis arsitektur deep learning yang dirancang untuk memproses data yang memiliki urutan atau urutan waktu, seperti data teks atau data waktu. RNN memiliki kemampuan untuk menyimpan informasi dari urutan sebelumnya dan menggunakannya untuk memproses urutan berikutnya. Sementara itu, CNN adalah jenis arsitektur deep learning yang dirancang untuk memproses data yang memiliki struktur spasial, seperti gambar.Â
CNN menggunakan operasi konvolusi untuk mengekstrak fitur dari data input dan mempelajari fitur-fitur tersebut untuk mengklasifikasikan data input. Dalam RCNN, CNN digunakan untuk mengekstrak fitur dari data tidur, dan RNN digunakan untuk memproses urutan waktu dari fitur-fitur tersebut untuk mengklasifikasikan tahap tidur pada data tidur. Dengan menggabungkan kedua jenis arsitektur deep learning ini, RCNN dapat memanfaatkan kekuatan masing-masing arsitektur untuk menghasilkan kinerja yang lebih baik dalam mengklasifikasikan tahap tidur pada data tidur.
Mengotomatisasi Tugas Scoring
Kesimpulan dari jurnal tersebut adalah deep neural networks dapat digunakan untuk mengotomatisasi tugas scoring tidur pada data polysomnography laboratorium dengan kinerja yang setara dengan ahli manusia. Automasi scoring yang akurat dapat meningkatkan efektivitas dan efisiensi pendekatan di laboratorium dan di rumah untuk diagnosis tidur, yang berpotensi memperluas jangkauan keahlian tidur di luar klinik spesialis. Selain itu, deep learning models dapat belajar fitur yang lebih baik daripada manusia dalam tugas scoring tidur, yang dapat mengurangi bias dan meminimalkan beban kerja manusia.
