論文の概要: Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic Stroke Onset Time

• arxiv url: http://arxiv.org/abs/2011.03350v1
• Date: Thu, 5 Nov 2020 18:28:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-29 11:48:04.804971
• Title: Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic Stroke Onset Time
• Title（参考訳）: 脳卒中急性期発症時間を決定するためのドメイン内タスク適応伝達学習
• Authors: Haoyue Zhang, Jennifer S Polson, Kambiz Nael, Noriko Salamon, Bryan Yoo, Suzie El-Saden, Fabien Scalzo, William Speier, Corey W Arnold
• Abstract要約: 急性期虚血性脳卒中(AIS)の治療は, 脳卒中発症以降の経過に大きく左右される。 原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されているが、放射線学的評価は読取者間の多様性が高い。 臨床的に検証された閾値に基づいて,MRI拡散系列を利用した深層学習モデルを用いてTSSを分類する。
• 参考スコア（独自算出の注目度）: 7.024121839235693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Treatment of acute ischemic strokes (AIS) is largely contingent upon the time since stroke onset (TSS). However, TSS may not be readily available in up to 25% of patients with unwitnessed AIS. Current clinical guidelines for patients with unknown TSS recommend the use of MRI to determine eligibility for thrombolysis, but radiology assessments have high inter-reader variability. In this work, we present deep learning models that leverage MRI diffusion series to classify TSS based on clinically validated thresholds. We propose an intra-domain task-adaptive transfer learning method, which involves training a model on an easier clinical task (stroke detection) and then refining the model with different binary thresholds of TSS. We apply this approach to both 2D and 3D CNN architectures with our top model achieving an ROC-AUC value of 0.74, with a sensitivity of 0.70 and a specificity of 0.81 for classifying TSS < 4.5 hours. Our pretrained models achieve better classification metrics than the models trained from scratch, and these metrics exceed those of previously published models applied to our dataset. Furthermore, our pipeline accommodates a more inclusive patient cohort than previous work, as we did not exclude imaging studies based on clinical, demographic, or image processing criteria. When applied to this broad spectrum of patients, our deep learning model achieves an overall accuracy of 75.78% when classifying TSS < 4.5 hours, carrying potential therapeutic implications for patients with unknown TSS.
• Abstract（参考訳）: 急性虚血性脳梗塞 (AIS) の治療は, 脳卒中発症 (TSS) 以降, ほぼ継続する。 しかし、tssは最大25%のais患者では容易には利用できない可能性がある。 原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されている。 本研究では,MRI拡散系列を利用した深層学習モデルを用いて,臨床的に検証された閾値に基づいてTSSを分類する。 そこで本研究では,より簡単な臨床タスク(ストローク検出)でモデルをトレーニングし,そのモデルをTSSの異なる二分しきい値で精製するドメイン内タスク適応型トランスファー学習法を提案する。 本手法を2次元CNNアーキテクチャと3次元CNNアーキテクチャの両方に適用し,ROC-AUC値0.74,感度0.70,特異度0.81,TSS < 4.5時間で分類する。 トレーニング済みのモデルは,スクラッチからトレーニングしたモデルよりも優れた分類基準を達成しています。 さらに, 臨床, 人口統計, 画像処理基準に基づく画像研究を除外しなかったため, これまでの研究よりも包括的患者コホートに対応できた。 この広い範囲の患者に適用すると, 深層学習モデルでは, TSS<4.5時間以内の分類では75.78%の精度が得られ, 未知の TSS 患者に対する治療効果が示唆された。

関連論文リスト

• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• A Fully Automated Pipeline Using Swin Transformers for Deep Learning-Based Blood Segmentation on Head CT Scans After Aneurysmal Subarachnoid Hemorrhage [0.0]
  我々は,自発性くも膜下出血(SAH)患者に対して,人工知能による完全自動血液分画ツールを開発し,その妥当性を検証した。 神経節下出血(aSAH)と診断された症例のNCCTスキャンをSwin UNETRを用いて経時的に解析した。
  論文  参考訳（メタデータ） (2023-12-29T10:57:51Z)
• Multitask Deep Learning for Accurate Risk Stratification and Prediction of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
  リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。 提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
  論文  参考訳（メタデータ） (2023-09-01T08:34:13Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
  本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。 トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。 本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2022-11-01T14:12:58Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Segmentation by Test-Time Optimization (TTO) for CBCT-based Adaptive Radiation Therapy [2.5705729402510338]
  従来型または深層学習(DL)に基づく変形可能な画像登録(DIR)は、多くの状況において改善された結果が得られる。 本稿では,事前学習したDLベースのDIR集団モデルを洗練するためのテスト時間最適化(TTO)手法を提案する。 提案手法は,一般化可能性問題の影響を受けにくく,DLベースのDIRモデルの全体的な性能を向上させることができる。
  論文  参考訳（メタデータ） (2022-02-08T16:34:22Z)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• 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)

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。