論文の概要: Predicting Risk of Developing Diabetic Retinopathy using Deep Learning
- arxiv url: http://arxiv.org/abs/2008.04370v1
- Date: Mon, 10 Aug 2020 19:07:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 23:33:53.359162
- Title: Predicting Risk of Developing Diabetic Retinopathy using Deep Learning
- Title（参考訳）: 深層学習を用いた糖尿病網膜症の発症リスク予測
- Authors: Ashish Bora, Siva Balasubramanian, Boris Babenko, Sunny Virmani,
Subhashini Venugopalan, Akinori Mitani, Guilherme de Oliveira Marinho, Jorge
Cuadros, Paisan Ruamviboonsuk, Greg S Corrado, Lily Peng, Dale R Webster,
Avinash V Varadarajan, Naama Hammel, Yun Liu, Pinal Bavishi
- Abstract要約: 糖尿病網膜症の発生に対するリスク階層化は、スクリーニング間隔を最適化し、コストを削減し、視力改善に役立つ可能性がある。
糖尿病患者のDRスクリーニングにおける軽度Worse(Mild+)DRの発生を予測するために,DLS(Deep Learning System)の2つのバージョンを作成し,検証した。
- 参考スコア（独自算出の注目度）: 6.200560025035929
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diabetic retinopathy (DR) screening is instrumental in preventing blindness,
but faces a scaling challenge as the number of diabetic patients rises. Risk
stratification for the development of DR may help optimize screening intervals
to reduce costs while improving vision-related outcomes. We created and
validated two versions of a deep learning system (DLS) to predict the
development of mild-or-worse ("Mild+") DR in diabetic patients undergoing DR
screening. The two versions used either three-fields or a single field of color
fundus photographs (CFPs) as input. The training set was derived from 575,431
eyes, of which 28,899 had known 2-year outcome, and the remaining were used to
augment the training process via multi-task learning. Validation was performed
on both an internal validation set (set A; 7,976 eyes; 3,678 with known
outcome) and an external validation set (set B; 4,762 eyes; 2,345 with known
outcome). For predicting 2-year development of DR, the 3-field DLS had an area
under the receiver operating characteristic curve (AUC) of 0.79 (95%CI,
0.78-0.81) on validation set A. On validation set B (which contained only a
single field), the 1-field DLS's AUC was 0.70 (95%CI, 0.67-0.74). The DLS was
prognostic even after adjusting for available risk factors (p<0.001). When
added to the risk factors, the 3-field DLS improved the AUC from 0.72 (95%CI,
0.68-0.76) to 0.81 (95%CI, 0.77-0.84) in validation set A, and the 1-field DLS
improved the AUC from 0.62 (95%CI, 0.58-0.66) to 0.71 (95%CI, 0.68-0.75) in
validation set B. The DLSs in this study identified prognostic information for
DR development from CFPs. This information is independent of and more
informative than the available risk factors.
- Abstract（参考訳）: 糖尿病網膜症(DR)スクリーニングは視覚障害の予防に有効であるが、糖尿病患者の増加に伴い、スケーリングの課題に直面している。
DR開発のためのリスク階層化は、スクリーニング間隔を最適化し、コストを削減し、視覚関連の結果を改善するのに役立つ。
糖尿病患者のDR検査における軽度または軽度(中+)DRの発達を予測するために,DLS(Deep Learning System)の2つのバージョンを作成し,検証した。
2つのバージョンは3つのフィールドまたは1つのカラー・ファンドス写真(CFP)を入力として使用した。
トレーニングセットは575,431個の目から派生し、そのうち28,899個の目が2年間の成果を把握しており、残りはマルチタスク学習によるトレーニングプロセス強化に使用された。
検証は、内部検証セット(set a; 7,976 eyes; 3,678 with known outcome)と外部検証セット(set b; 4,762 eyes; 2,345 with known outcome)の両方で実施された。
2年間のdrの開発予測のために、3フィールドdlsは検証集合 a 上で受信者特性曲線 (auc) の下の領域を 0.79 (95%ci, 0.78-0.81) としており、検証集合 b では 1フィールドdls の auc は 0.70 (95%ci, 0.67-0.74) であった。
dlsは危険因子(p<0.001)を調整しても予後不良であった。
3フィールドDLSはAUCを0.72(95%CI, 0.68-0.76)から0.81(95%CI, 0.77-0.84)に改善し、1フィールドDLSはAUCを0.62(95%CI, 0.58-0.66)から0.71(95%CI, 0.68-0.75)に改善した。
この情報は、利用可能なリスク要因とは独立しており、より情報的です。
関連論文リスト
- Predicting Emergency Department Visits for Patients with Type II Diabetes [10.522637839993807]
3000万人以上のアメリカ人がII型糖尿病(T2D)に罹患している。
本研究の目的は、機械学習(ML)技術を用いて、T2D患者の救急部門(ED)訪問を推定する予測モデルの開発と評価である。
論文 参考訳（メタデータ） (2024-12-12T06:37:32Z) - Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Performance of a deep learning system for detection of referable
diabetic retinopathy in real clinical settings [0.0]
RetCAD v.1.3.1は糖尿病網膜症(DR)を自動的に検出するために開発された。
この人工知能ベースの技術を活用して、リリース可能なワークロードの削減を分析する。
論文 参考訳（メタデータ） (2022-05-11T14:59:10Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Development of a dynamic type 2 diabetes risk prediction tool: a UK
Biobank study [0.8620335948752806]
英国バイオバンクデータセットの301機能を用いて10年間の2型糖尿病リスクスコアを算出した。
Cox比例ハザードモデルは、同じ特徴を使ってトレーニングされたDeepSurvモデルをわずかに上回った。
このツールは、2型糖尿病のリスクのある患者の臨床スクリーニングや患者のエンパワーメントの促進に使用できる。
論文 参考訳（メタデータ） (2021-04-20T16:37:26Z) - Interpretable Survival Prediction for Colorectal Cancer using Deep
Learning [2.9084170197404844]
本研究は,第IIステージおよび第IIIステージ大腸癌の生存率を予測するための深層学習システム(DLS)を開発した。
深層学習に基づく画像類似性モデルから埋め込みをクラスタリングすることで、人間の解釈可能な組織学的特徴を生成した。
提案手法は,確率的深層学習モデルからの予測を解析し,潜在的に未知の確率的特徴を明らかにするのに有用である。
論文 参考訳（メタデータ） (2020-11-17T21:57:16Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Instant automatic diagnosis of diabetic retinopathy [36.2143325805188]
OphtAIは、眼のラテラルを認識し、参照可能なDRを検出し、DR重症度を評価するために訓練された畳み込みニューラルネットワークのアンサンブルに依存している。
システムは164,660のスクリーニング手順から,733,848の画像のデータセットを用いて開発,検証した。
OphtAIは、FDAが認可している唯一のAIシステムよりも安全で高速で包括的だ。
論文 参考訳（メタデータ） (2019-06-12T08:34:57Z)
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。