論文の概要: Predictive Modeling of Anatomy with Genetic and Clinical Data

• arxiv url: http://arxiv.org/abs/2010.04757v1
• Date: Fri, 9 Oct 2020 18:30:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-09 05:59:50.343287
• Title: Predictive Modeling of Anatomy with Genetic and Clinical Data
• Title（参考訳）: 遺伝・臨床データを用いた解剖の予測モデル
• Authors: Adrian V. Dalca, Ramesh Sridharan, Mert R. Sabuncu, Polina Golland
• Abstract要約: 本報告では, 患者の解剖学的変化を予測するための半パラメトリック・ジェネレーション・モデルについて述べる。 我々は、個体群全体の回帰と、個々の遺伝的および臨床的指標に基づく被験者の健康の非パラメトリックモデルを組み合わせることで、解剖学的変化を捉えた。
• 参考スコア（独自算出の注目度）: 18.062331119075928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a semi-parametric generative model for predicting anatomy of a patient in subsequent scans following a single baseline image. Such predictive modeling promises to facilitate novel analyses in both voxel-level studies and longitudinal biomarker evaluation. We capture anatomical change through a combination of population-wide regression and a non-parametric model of the subject's health based on individual genetic and clinical indicators. In contrast to classical correlation and longitudinal analysis, we focus on predicting new observations from a single subject observation. We demonstrate prediction of follow-up anatomical scans in the ADNI cohort, and illustrate a novel analysis approach that compares a patient's scans to the predicted subject-specific healthy anatomical trajectory. The code is available at https://github.com/adalca/voxelorb.
• Abstract（参考訳）: 本報告では, 患者の解剖学的変化を予測するための半パラメトリック生成モデルについて述べる。 このような予測モデリングは、ボクセルレベルの研究と縦型バイオマーカー評価の両方において、新しい分析を促進することを約束する。 個体群全体の回帰と非パラメトリックモデルの組み合わせにより, 個体の遺伝的, 臨床的指標に基づいて, 解剖学的変化を捉える。 古典的相関や縦断解析とは対照的に,単体観測による新しい観測の予測に焦点をあてる。 我々はadniコホートにおける追跡解剖学的スキャンの予測を実証し、患者のスキャンと予測される被検体特異的な健康的解剖学的軌跡を比較する新しい分析アプローチを示す。 コードはhttps://github.com/adalca/voxelorbで入手できる。

関連論文リスト

• Evaluating the Predictive Features of Person-Centric Knowledge Graph Embeddings: Unfolding Ablation Studies [0.757843972001219]
  そこで本研究では,MIMIC-IIIデータセットから得られた構造化情報と非構造化情報を用いて学習したGNNモデルの結果を体系的に検証する手法を提案する。 本研究は,PKGにおける読み出し予測の課題に対する予測的特徴の同定におけるこのアプローチの堅牢性を示す。
  論文  参考訳（メタデータ） (2024-08-27T09:48:25Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Out-of-Distribution Generalized Dynamic Graph Neural Network for Human Albumin Prediction [37.289505423558]
  本稿では,ヒトアルバム予測のための動的グラフニューラルネットワークとして,Out-of-Distribution Generalized Dynamic Graph Neural Networkを提案する。 まず,人間のアルブミン予測を動的グラフ回帰問題としてモデル化し,ダイナミックスと患者関係をモデル化する。 最後に、モデルが予測を行うために不変パターンに依存することを奨励する不変動的グラフ回帰法を提案する。
  論文  参考訳（メタデータ） (2023-11-27T05:21:08Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• Assessing the Performance of Automated Prediction and Ranking of Patient Age from Chest X-rays Against Clinicians [4.795478287106675]
  深層学習は、胸部X線から患者の年齢を正確に推定することを可能にしている。 本稿では,放射線科医と最先端のディープラーニングモデルの比較研究について述べる。 我々は,脳卒中患者の年齢による1.8M胸部X線の異種データベースを用いてモデルを訓練し,モデル精度の限界について検討した。
  論文  参考訳（メタデータ） (2022-07-04T10:09:48Z)
• Anatomically Parameterized Statistical Shape Model: Explaining Morphometry through Statistical Learning [0.0]
  本研究は,解剖学的パラメータ化SSMの作成に解剖学的表現を用いることを実証する。 提案したモデルは、個体群間の骨形態の差異を分析し、患者固有の術前計画や外科内評価に組み込むのに役立つ。
  論文  参考訳（メタデータ） (2022-02-17T10:56:22Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Anatomical Predictions using Subject-Specific Medical Data [7.635279671482444]
  個人の脳MRIが時間とともにどのように変化するかを予測する手法を提案する。 予測変形場が与えられると、ベースラインスキャンをワープして、将来脳スキャンの予測を行うことができる。
  論文  参考訳（メタデータ） (2020-05-29T21:30:46Z)

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。