論文の概要: CROCS: Clustering and Retrieval of Cardiac Signals Based on Patient
Disease Class, Sex, and Age
- arxiv url: http://arxiv.org/abs/2011.14230v2
- Date: Mon, 4 Oct 2021 03:33:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:55:05.376136
- Title: CROCS: Clustering and Retrieval of Cardiac Signals Based on Patient
Disease Class, Sex, and Age
- Title(参考訳): crocs: 患者病型, 性別, 年齢に基づく心臓信号のクラスタリングと検索
- Authors: Dani Kiyasseh, Tingting Zhu, David A. Clifton
- Abstract要約: そこで我々は,患者固有の属性のセットに関連付けられた心臓信号の表現を,臨床プロトタイプと題する学習可能な埋め込みに惹きつける,教師付きコントラスト学習フレームワークCROCSを提案する。
CROCSはクラスタリング時に最先端のDTCよりも優れており,また,大規模データベースから関連する心臓信号を検索する。
また,臨床プロトタイプでは,患者属性に基づいた意味論的アレンジメントが採用されており,高い解釈可能性が期待できることを示した。
- 参考スコア(独自算出の注目度): 17.58391771585294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The process of manually searching for relevant instances in, and extracting
information from, clinical databases underpin a multitude of clinical tasks.
Such tasks include disease diagnosis, clinical trial recruitment, and
continuing medical education. This manual search-and-extract process, however,
has been hampered by the growth of large-scale clinical databases and the
increased prevalence of unlabelled instances. To address this challenge, we
propose a supervised contrastive learning framework, CROCS, where
representations of cardiac signals associated with a set of patient-specific
attributes (e.g., disease class, sex, age) are attracted to learnable
embeddings entitled clinical prototypes. We exploit such prototypes for both
the clustering and retrieval of unlabelled cardiac signals based on multiple
patient attributes. We show that CROCS outperforms the state-of-the-art method,
DTC, when clustering and also retrieves relevant cardiac signals from a large
database. We also show that clinical prototypes adopt a semantically meaningful
arrangement based on patient attributes and thus confer a high degree of
interpretability.
- Abstract(参考訳): 関連する事例を手作業で検索し、臨床データベースから情報を抽出するプロセスは、多くの臨床課題を担っている。
このようなタスクには、疾患の診断、臨床試験の募集、医学教育の継続が含まれる。
しかし, この手作業による検索・抽出は, 大規模臨床データベースの成長と, 障害のない症例の増加によって妨げられている。
そこで本研究では, 患者特有の属性(疾患クラス, 性別, 年齢など)に関連する心臓信号の表現が, 臨床プロトタイプと呼ばれる学習可能な埋め込みに惹かれる, 教師付きコントラスト学習フレームワークcrocsを提案する。
そこで本研究では,複数の患者属性に基づくラベルなし心筋信号のクラスタリングと検索の両面において,このプロトタイプを活用した。
CROCSはクラスタリング時に最先端のDTCよりも優れており,また,大規模データベースから関連する心臓信号を検索する。
また,臨床プロトタイプは患者属性に基づいた意味的意味的アレンジメントを採用しており,高い解釈可能性を示す。
関連論文リスト
- TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。
我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。
深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
論文 参考訳(メタデータ) (2024-06-14T14:18:38Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳(メタデータ) (2023-06-01T16:23:47Z) - Trustworthy Visual Analytics in Clinical Gait Analysis: A Case Study for
Patients with Cerebral Palsy [43.55994393060723]
gaitXplorerは、CP関連歩行パターンの分類のための視覚分析手法である。
Grad-CAMは、機械学習の分類の説明のために、よく確立された説明可能な人工知能アルゴリズムである。
論文 参考訳(メタデータ) (2022-08-10T09:21:28Z) - 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) - 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) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - Deep Representation Learning of Electronic Health Records to Unlock
Patient Stratification at Scale [0.5498849973527224]
ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。
患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
論文 参考訳(メタデータ) (2020-03-14T00:04:20Z) - Towards Patient Record Summarization Through Joint Phenotype Learning in
HIV Patients [1.598617270887469]
本研究では、構造化データと非構造化データにまたがる多数の表現型/プロブレムを共同で学習する、教師なし表現型化手法を提案する。
我々は,大都市医療施設のHIVクリニックから患者を表現型化する実験を行った。
臨床専門家による評価では,学習した表現型とその関連性は臨床的に有効であることが判明した。
論文 参考訳(メタデータ) (2020-03-09T15:41:58Z)
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。