論文の概要: A Deep Learning Approach to Diagnosing Multiple Sclerosis from
Smartphone Data
- arxiv url: http://arxiv.org/abs/2001.09748v3
- Date: Mon, 31 Aug 2020 07:32:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 04:14:31.701873
- Title: A Deep Learning Approach to Diagnosing Multiple Sclerosis from
Smartphone Data
- Title（参考訳）: スマートフォンデータから多発性硬化症を診断するディープラーニングアプローチ
- Authors: Patrick Schwab, Walter Karlen
- Abstract要約: 多発性硬化症(MS)は中枢神経系に幅広い症状をもたらす。
スマートフォンなどの新しい技術は、MSの症状を客観的に評価するのに役立つ可能性がある。
スマートフォン由来のデジタルバイオマーカーからMSを診断するための深層学習手法を提案する。
- 参考スコア（独自算出の注目度）: 19.199016900417625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple sclerosis (MS) affects the central nervous system with a wide range
of symptoms. MS can, for example, cause pain, changes in mood and fatigue, and
may impair a person's movement, speech and visual functions. Diagnosis of MS
typically involves a combination of complex clinical assessments and tests to
rule out other diseases with similar symptoms. New technologies, such as
smartphone monitoring in free-living conditions, could potentially aid in
objectively assessing the symptoms of MS by quantifying symptom presence and
intensity over long periods of time. Here, we present a deep-learning approach
to diagnosing MS from smartphone-derived digital biomarkers that uses a novel
combination of a multilayer perceptron with neural soft attention to improve
learning of patterns in long-term smartphone monitoring data. Using data from a
cohort of 774 participants, we demonstrate that our deep-learning models are
able to distinguish between people with and without MS with an area under the
receiver operating characteristic curve of 0.88 (95% CI: 0.70, 0.88). Our
experimental results indicate that digital biomarkers derived from smartphone
data could in the future be used as additional diagnostic criteria for MS.
- Abstract（参考訳）: 多発性硬化症(ms)は、幅広い症状を伴う中枢神経系に影響を及ぼす。
msは、例えば、痛み、気分の変化、疲労を引き起こし、人の運動、スピーチ、視覚機能を妨げる可能性がある。
msの診断は通常、類似の症状を持つ他の疾患を除外するための複雑な臨床評価と検査の組み合わせを含む。
スマートフォンなどの新しい技術は、長期にわたって症状の存在と強度を定量化することによって、MSの症状を客観的に評価するのに役立つ可能性がある。
本稿では,多層パーセプトロンと神経ソフトアテンションを組み合わせることで,スマートフォンの長期監視データにおけるパターンの学習を改善する,スマートフォン由来のデジタルバイオマーカーからmsを検出するためのディープラーニング手法を提案する。
774人の参加者のコホートデータを用いて,本研究のディープラーニングモデルでは,msの有無と受信者特性曲線下の領域が0.88 (95% ci: 0.70, 0.88) であることの判別が可能であることを実証した。
スマートフォンのデータから得られたデジタルバイオマーカーは,将来的にはmsの診断基準となる可能性が示唆された。
関連論文リスト
- Deep learning reveals the common spectrum underlying multiple brain
disorders in youth and elders from brain functional networks [53.257804915263165]
ヒトの初期および後期の脳障害は、脳機能における病理学的変化を共有する可能性がある。
病理的共通性に関する神経画像データによる重要な証拠はいまだ発見されていない。
多地点機能磁気共鳴画像データを用いたディープラーニングモデルを構築し、健康的な制御から5つの異なる脳障害を分類する。
論文 参考訳（メタデータ） (2023-02-23T09:22:05Z) - Hierarchical Graph Convolutional Network Built by Multiscale Atlases for
Brain Disorder Diagnosis Using Functional Connectivity [48.75665245214903]
本稿では,脳疾患診断のためのマルチスケールFCN解析を行うための新しいフレームワークを提案する。
まず、マルチスケールFCNを計算するために、明確に定義されたマルチスケールアトラスのセットを用いる。
そこで我々は, 生物的に有意な脳階層的関係を多スケールアトラスの領域で利用し, 結節プールを行う。
論文 参考訳（メタデータ） (2022-09-22T04:17:57Z) - Personalized Longitudinal Assessment of Multiple Sclerosis Using
Smartphones [9.186241234772702]
本研究は, 欠損値を含むセンサデータを用いて, 個々の疾患軌跡を地図化するための新しい縦長モデルを構築した。
複数のトレーニングデータセットから学んだパラメータは、シンプルで統一された予測モデルを形成するためにアンサンブルされる。
その結果,提案モデルがパーソナライズされた縦断的MSアセスメントを達成できることが示唆された。
論文 参考訳（メタデータ） (2022-09-20T12:56:29Z) - Multiple Sclerosis Lesion Analysis in Brain Magnetic Resonance Images:
Techniques and Clinical Applications [22.410543483471915]
多発性硬化症(MS)は、中枢神経系の慢性炎症性および変性疾患である。
伝統的に、MS病変は手動で2DMRIスライスに注釈付けされている。
深層学習技術は,ms病変分割タスクにおいて著しいブレークスルーを達成した。
論文 参考訳（メタデータ） (2021-04-20T15:08:51Z) - Interpretable Deep Learning for the Remote Characterisation of
Ambulation in Multiple Sclerosis using Smartphones [3.5547766520356547]
スマートフォンの慣性センサデータに適用した深層畳み込みニューラルネットワーク (dcnn) は, 健常者とms群との区別が良好であった。
同様の大規模オープンソースデータセットからの転送学習(tl)モデルを提案した。
ブラックボックス」深層ネットワークの透明性の欠如は、臨床応用における深層学習の広く受け入れられる最大の障害の1つである。
論文 参考訳（メタデータ） (2021-03-16T16:15:49Z) - Multimodal Gait Recognition for Neurodegenerative Diseases [38.06704951209703]
3つの神経変性疾患の歩容差を学習するための新しいハイブリッドモデルを提案する。
新しい相関メモリニューラルネットワークアーキテクチャは、時間的特徴を抽出するために設計されている。
いくつかの最先端技術と比較して,提案手法はより正確な分類結果を示す。
論文 参考訳（メタデータ） (2021-01-07T10:17:11Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Video-based Remote Physiological Measurement via Cross-verified Feature
Disentangling [121.50704279659253]
非生理的表現と生理的特徴を混同するための横断的特徴分離戦略を提案する。
次に, 蒸留された生理特性を用いて, 頑健なマルチタスク生理測定を行った。
歪んだ特徴は、最終的に平均HR値やr信号のような複数の生理的信号の合同予測に使用される。
論文 参考訳（メタデータ） (2020-07-16T09:39:17Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2020-05-06T09:02:30Z) - Explainable and Scalable Machine-Learning Algorithms for Detection of
Autism Spectrum Disorder using fMRI Data [0.2578242050187029]
提案した深層学習モデル ASD-DiagNet は神経型スキャンから ASD の脳スキャンの分類に一貫した精度を示す。
我々の手法はAuto-ASD-Networkと呼ばれ、ディープラーニングとサポートベクトルマシン(SVM)を組み合わせて、ニューロタイプスキャンからASDスキャンを分類する。
論文 参考訳（メタデータ） (2020-03-02T18:20:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。