論文の概要: Integrative Analysis for COVID-19 Patient Outcome Prediction
- arxiv url: http://arxiv.org/abs/2007.10416v2
- Date: Wed, 16 Sep 2020 19:44:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 14:35:00.366145
- Title: Integrative Analysis for COVID-19 Patient Outcome Prediction
- Title（参考訳）: 新型コロナ患者のアウトカム予測のための統合分析
- Authors: Hanqing Chao, Xi Fang, Jiajin Zhang, Fatemeh Homayounieh, Chiara D.
Arru, Subba R. Digumarthy, Rosa Babaei, Hadi K. Mobin, Iman Mohseni, Luca
Saba, Alessandro Carriero, Zeno Falaschi, Alessio Pasche, Ge Wang, Mannudeep
K. Kalra, Pingkun Yan
- Abstract要約: 我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
- 参考スコア（独自算出の注目度）: 53.11258640541513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While image analysis of chest computed tomography (CT) for COVID-19 diagnosis
has been intensively studied, little work has been performed for image-based
patient outcome prediction. Management of high-risk patients with early
intervention is a key to lower the fatality rate of COVID-19 pneumonia, as a
majority of patients recover naturally. Therefore, an accurate prediction of
disease progression with baseline imaging at the time of the initial
presentation can help in patient management. In lieu of only size and volume
information of pulmonary abnormalities and features through deep learning based
image segmentation, here we combine radiomics of lung opacities and non-imaging
features from demographic data, vital signs, and laboratory findings to predict
need for intensive care unit (ICU) admission. To our knowledge, this is the
first study that uses holistic information of a patient including both imaging
and non-imaging data for outcome prediction. The proposed methods were
thoroughly evaluated on datasets separately collected from three hospitals, one
in the United States, one in Iran, and another in Italy, with a total 295
patients with reverse transcription polymerase chain reaction (RT-PCR) assay
positive COVID-19 pneumonia. Our experimental results demonstrate that adding
non-imaging features can significantly improve the performance of prediction to
achieve AUC up to 0.884 and sensitivity as high as 96.1%, which can be valuable
to provide clinical decision support in managing COVID-19 patients. Our methods
may also be applied to other lung diseases including but not limited to
community acquired pneumonia. The source code of our work is available at
https://github.com/DIAL-RPI/COVID19-ICUPrediction.
- Abstract（参考訳）: 新型コロナウイルス診断のための胸部CT画像解析は集中的に研究されているが,画像に基づく患者の予後予測にはほとんど効果がない。
早期介入のある高リスク患者の管理は、大多数の患者が自然に回復するため、新型コロナウイルス肺炎の死亡率を下げる鍵となる。
したがって,初診時のベースライン画像による疾患進展の正確な予測は,患者の管理に役立てることができる。
深層学習による画像分割による肺病変の大きさと容積情報のみの代わりに, 人口統計, バイタルサイン, 検査結果から肺不透明度の放射能と非画像特徴を組み合わせ, 集中治療室(ICU)の入院の必要性を予測した。
本研究は,画像データと非画像データの両方を含む患者の総合的な情報を結果予測に利用した最初の研究である。
提案手法は,米国病院,イラン病院,イタリア病院の3施設から分離して収集したデータセットを用いて徹底的に評価され,rt-pcr (reverse transcription polymerase chain reaction) 患者295名に陽性肺炎を診断した。
以上の結果から,非画像機能の追加は,最大0.884名までのaucと96.1%までの感度を達成するための予測性能を著しく向上させる可能性が示唆された。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
私たちの仕事のソースコードはhttps://github.com/dial-rpi/covid19-icupredictionで入手できます。
関連論文リスト
- A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳（メタデータ） (2022-06-15T18:35:22Z) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳（メタデータ） (2021-08-05T16:47:33Z) - U-GAT: Multimodal Graph Attention Network for COVID-19 Outcome
Prediction [31.26241022394112]
新型コロナウイルス(COVID-19)の最初の波で、病院は多数の入院患者に圧倒された。
画像情報と非画像情報を組み合わせた全体論的なグラフベースのアプローチは、早期の予後を可能にする可能性がある。
本稿では,患者をクラスタリングするための人口グラフを構築するためのマルチモーダル類似度指標と,このグラフを処理するための画像ベースのエンドツーエンドグラフ注意ネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-29T12:00:54Z) - Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。
この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
論文 参考訳（メタデータ） (2021-05-14T11:59:47Z) - Development and Validation of a Deep Learning Model for Prediction of
Severe Outcomes in Suspected COVID-19 Infection [9.524156465126758]
救急外来(ed)に初診した患者の予測結果を伴うトリエイジングは、患者の予後を改善する上で重要である。
我々は、患者の結果を予測するために深い機能融合モデルを訓練した。
モデルアウトプットは、最も非感受性な酸素療法が要求される患者の結果であった。
新型コロナウイルス重篤な結果(CO-RISKスコア)の予測リスクスコアは、モデルアウトプットから導出され、テストデータセットで評価された。
論文 参考訳（メタデータ） (2021-03-21T00:03:27Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳（メタデータ） (2021-03-18T03:31:33Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray
Images [1.6855835471222005]
我々は、CXR画像から新型コロナウイルスの症状を自動的に検出するための説明可能なディープニューラルネットワーク(DNN)に基づく手法を提案する。
15,854例のCXR画像15,959例を使用し,正常例,肺炎例,COVID-19例を対象とした。
当社のアプローチでは、新型コロナウイルスを確実に91.6%、92.45%、96.12%の正の予測値(PPV)で識別することができる。
論文 参考訳（メタデータ） (2020-04-09T15:03:58Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。