Fugu-MT 論文翻訳(概要): A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis

論文の概要: A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis

arxiv url: http://arxiv.org/abs/2008.06294v1
Date: Fri, 14 Aug 2020 11:19:32 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 16:54:39.482570
Title: A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis
Title（参考訳）: マルチモーダル臨床データ解析のための動的ディープニューラルネットワーク
Authors: Maria H\"ugle, Gabriel Kalweit, Thomas Huegle and Joschka Boedecker
Abstract要約: AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
参考スコア（独自算出の注目度）: 12.02718865835448
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Clinical data from electronic medical records, registries or trials provide a large source of information to apply machine learning methods in order to foster precision medicine, e.g. by finding new disease phenotypes or performing individual disease prediction. However, to take full advantage of deep learning methods on clinical data, architectures are necessary that 1) are robust with respect to missing and wrong values, and 2) can deal with highly variable-sized lists and long-term dependencies of individual diagnosis, procedures, measurements and medication prescriptions. In this work, we elaborate limitations of fully-connected neural networks and classical machine learning methods in this context and propose AdaptiveNet, a novel recurrent neural network architecture, which can deal with multiple lists of different events, alleviating the aforementioned limitations. We employ the architecture to the problem of disease progression prediction in rheumatoid arthritis using the Swiss Clinical Quality Management registry, which contains over 10.000 patients and more than 65.000 patient visits. Our proposed approach leads to more compact representations and outperforms the classical baselines.
Abstract（参考訳）: 電子カルテ、登録、治験からの臨床データは、新しい疾患の表現型の発見や個別の疾患予測などにより、精密な医学を育むために機械学習手法を適用するための大量の情報を提供する。しかしながら,臨床データのディープラーニング手法を最大限に活用するには,アーキテクチャが必要である。 1)欠落値と誤値に関して頑健であり、 2) 個々の診断,処置,測定,服薬処方の長期的依存関係や,高度に変動したリストを扱うことができる。本稿では,この文脈において,完全接続型ニューラルネットワークと古典的機械学習手法の制約を詳述するとともに,前述の制約を緩和し,異なる事象の複数のリストを処理可能な,新しいリカレントニューラルネットワークアーキテクチャであるadaptivenetを提案する。スイス臨床品質管理登録簿(swiss clinical quality management registry)を用いて,関節リウマチの疾患進行予測の課題として,10万人以上の患者と65万人以上の患者を登録した。提案手法はよりコンパクトな表現をもたらし、古典的ベースラインより優れる。

関連論文リスト

Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data [1.2891210250935143]
我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
論文参考訳（メタデータ） (2022-05-05T18:39:09Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Novel Deep Learning Architecture for Heart Disease Prediction using Convolutional Neural Network [0.0]
心臓病は、世界中の多くの人々の生活を妨げる最も致命的な病気の1つである。本稿では,健康な人と非健康な人の分類に1次元畳み込みニューラルネットワークを用いた新しいディープラーニングアーキテクチャを提案する。提案するネットワークは、データセット上で97%以上のトレーニング精度と96%のテスト精度を達成する。
論文参考訳（メタデータ） (2021-05-22T22:00:57Z)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)
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)
Multimodal Learning for Cardiovascular Risk Prediction using EHR Data [0.9805331696863404]
本稿では,医療用テキストと構造化臨床情報を統合した循環神経モデルを提案する。 BiLSTMモデルは、最後の完全に接続されたニューラルネットワークに適用する前に、単語の埋め込みを古典的な臨床予測者に埋め込む。明らかな血管疾患または高リスクの心血管疾患を有する実世界の患者のデータセットで評価する。
論文参考訳（メタデータ） (2020-08-27T08:09:02Z)
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)
Integrating Neural Networks and Dictionary Learning for Multidimensional Clinical Characterizations from Functional Connectomics Data [5.382679710017696]
本稿では、ニューラルネットワークと辞書学習を組み合わせた統合フレームワークを提案し、静止状態機能MRIと行動データの間の複雑な相互作用をモデル化する。自閉症スペクトラム障害(ASD)52例を用いたマルチスコア予測課題における組み合わせモデルの評価を行った。統合されたフレームワークは,3種類の臨床重症度を予測するために,10倍のクロス・コンフィグレーション・セッティングにおいて最先端の手法より優れている。
論文参考訳（メタデータ） (2020-07-03T20:14:45Z)

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。