論文の概要: Heterogeneity Loss to Handle Intersubject and Intrasubject Variability in Cancer

• arxiv url: http://arxiv.org/abs/2003.03295v2
• Date: Thu, 19 Mar 2020 02:01:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 01:22:02.893658
• Title: Heterogeneity Loss to Handle Intersubject and Intrasubject Variability in Cancer
• Title（参考訳）: 癌におけるサブジェクト間およびサブジェクト内変動に対する多様性の欠如
• Authors: Shubham Goswami, Suril Mehta, Dhruva Sahrawat, Anubha Gupta, Ritu Gupta
• Abstract要約: 深層学習(DL)モデルは、医学領域において顕著な結果を示している。 これらのAI手法は、開発途上国に安価な医療ソリューションとして大きな支援を提供することができる。 この研究は、そのような血液がん診断の応用に焦点をあてている。
• 参考スコア（独自算出の注目度）: 11.440201348567681
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing nations lack adequate number of hospitals with modern equipment and skilled doctors. Hence, a significant proportion of these nations' population, particularly in rural areas, is not able to avail specialized and timely healthcare facilities. In recent years, deep learning (DL) models, a class of artificial intelligence (AI) methods, have shown impressive results in medical domain. These AI methods can provide immense support to developing nations as affordable healthcare solutions. This work is focused on one such application of blood cancer diagnosis. However, there are some challenges to DL models in cancer research because of the unavailability of a large data for adequate training and the difficulty of capturing heterogeneity in data at different levels ranging from acquisition characteristics, session, to subject-level (within subjects and across subjects). These challenges render DL models prone to overfitting and hence, models lack generalization on prospective subjects' data. In this work, we address these problems in the application of B-cell Acute Lymphoblastic Leukemia (B-ALL) diagnosis using deep learning. We propose heterogeneity loss that captures subject-level heterogeneity, thereby, forcing the neural network to learn subject-independent features. We also propose an unorthodox ensemble strategy that helps us in providing improved classification over models trained on 7-folds giving a weighted-$F_1$ score of 95.26% on unseen (test) subjects' data that are, so far, the best results on the C-NMC 2019 dataset for B-ALL classification.
• Abstract（参考訳）: 発展途上国は、近代的な設備と熟練した医師を持つ十分な数の病院を欠いている。 したがって、これらの国の人口のかなりの割合、特に農村部では、専門的かつタイムリーな医療施設を利用できない。 近年,人工知能(AI)手法のクラスである深層学習(DL)モデルは,医学領域において顕著な成果を上げている。 これらのAI手法は、開発途上国に安価な医療ソリューションとして大きな支援を提供することができる。 本研究は, 血液がん診断の応用に焦点をあてた。 しかし, がん研究におけるDLモデルへの課題は, 適切なトレーニングのための大規模なデータの有効性の欠如と, 取得特性, セッション, 被検者レベル(対象者, 対象者を含む)の異なるレベルでの不均一性を捉えることの難しさである。 これらの課題はDLモデルを過度に適合させる傾向があるため、予測対象データの一般化に欠ける。 本稿では,b-cell acute lymphoblastic leukemia (b-all) の深層学習による診断における問題点について述べる。 そこで本研究では,被験者レベルの不均一性を捉えた不均質性損失を提案する。 また、B-ALL分類のためのC-NMC 2019データセットにおける最良の結果である、未確認(テスト)対象データに対して、重み付きF_1$95.26%のスコアを与える7-foldでトレーニングされたモデルに対して、より良い分類を提供するのに役立ちます。

関連論文リスト

• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Demographic Bias of Expert-Level Vision-Language Foundation Models in Medical Imaging [13.141767097232796]
  自己監督型視覚言語基盤モデルは、明示的なトレーニングアノテーションに頼ることなく、幅広い病態を検出することができる。 これらのAIモデルが人間の偏見を反映または増幅しないことを保証することが不可欠である。 本研究では,5つのグローバルソースデータセットを対象とした胸部X線診断における最先端の視覚言語基盤モデルのアルゴリズム的公正性について検討した。
  論文  参考訳（メタデータ） (2024-02-22T18:59:53Z)
• Towards SAMBA: Segment Anything Model for Brain Tumor Segmentation in Sub-Sharan African Populations [4.567712492463603]
  最も一般的な原発性脳腫瘍であるグリオーマは、診断と治療計画のために正確なセグメンテーションを必要とする。 本稿では,Segment Anything Model(SAM)とマルチモーダルグリオーマセグメンテーションのための投票ネットワークを組み合わせた革新的なアプローチを提案する。 我が国の方法論は,アフリカなどの資源制限環境での臨床実践に大きな影響を与える可能性がある。
  論文  参考訳（メタデータ） (2023-12-19T01:10:11Z)
• Unbiased Pain Assessment through Wearables and EHR Data: Multi-attribute Fairness Loss-based CNN Approach [3.799109312082668]
  本稿では,MAFL(Multi-Atribute Fairness Loss)に基づくCNNモデルを提案する。 提案手法と既存の緩和手順を比較し, 実装されたモデルが最先端の手法と対照的に良好に機能することを明らかにする。
  論文  参考訳（メタデータ） (2023-07-03T09:21:36Z)
• Investigating the Predictive Reproducibility of Federated Graph Neural Networks using Medical Datasets [0.0]
  本稿では、医用画像と脳接続データセットの分類に応用したフェデレーションGNNモデルの適用について検討する。 我々は,これらの医学的学習課題において,連合学習がGNNモデルの精度と精度を高めることを示した。
  論文  参考訳（メタデータ） (2022-09-13T14:32:03Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。