Fugu-MT 論文翻訳(概要): TRACE: Early Detection of Chronic Kidney Disease Onset with Transformer-Enhanced Feature Embedding

論文の概要: TRACE: Early Detection of Chronic Kidney Disease Onset with Transformer-Enhanced Feature Embedding

arxiv url: http://arxiv.org/abs/2012.03729v1
Date: Thu, 3 Dec 2020 01:23:39 GMT
ステータス: 処理完了
システム内更新日: 2021-05-23 14:47:49.479930
Title: TRACE: Early Detection of Chronic Kidney Disease Onset with Transformer-Enhanced Feature Embedding
Title（参考訳）: TRACE : Transformer-Enhanced Feature Embedding による慢性腎臓病の早期診断
Authors: Yu Wang, Ziqiao Guan, Wei Hou, Fusheng Wang
Abstract要約: TRACE(Transformer-RNN Autoencoder-enhanced CKD Detector)は、患者の医療履歴データを用いたエンドツーエンド予測モデルである。 TRACEは、病院訪問ごとにTransformer経由で埋め込まれた医療概念と、患者の医療史を要約した潜伏表現を学習する。本モデルでは, 最適性能よりも相対的に2.31%向上した0.5708 AUPRCを達成している。
参考スコア（独自算出の注目度）: 5.649519919657841
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Chronic kidney disease (CKD) has a poor prognosis due to excessive risk factors and comorbidities associated with it. The early detection of CKD faces challenges of insufficient medical histories of positive patients and complicated risk factors. In this paper, we propose the TRACE (Transformer-RNN Autoencoder-enhanced CKD Detector) framework, an end-to-end prediction model using patients' medical history data, to deal with these challenges. TRACE presents a comprehensive medical history representation with a novel key component: a Transformer-RNN autoencoder. The autoencoder jointly learns a medical concept embedding via Transformer for each hospital visit, and a latent representation which summarizes a patient's medical history across all the visits. We compared TRACE with multiple state-of-the-art methods on a dataset derived from real-world medical records. Our model has achieved 0.5708 AUPRC with a 2.31% relative improvement over the best-performing method. We also validated the clinical meaning of the learned embeddings through visualizations and a case study, showing the potential of TRACE to serve as a general disease prediction model.
Abstract（参考訳）: 慢性腎疾患(CKD)は、過剰な危険因子とそれに関連する合併症により予後不良である。 CKDの早期発見は、陽性患者の医療史と複雑な危険因子の不足に直面する。本稿では,患者の医療履歴データを用いたエンドツーエンド予測モデルであるTRACE(Transformer-RNN Autoencoder-enhanced CKD Detector)フレームワークを提案する。 TRACEは、新しいキーコンポーネントであるTransformer-RNNオートエンコーダを備えた包括的医療史表現を提供する。オートエンコーダは、病院訪問毎にトランスフォーマーによる医療概念の埋め込みと、全訪問にわたる患者の医療歴を要約した潜在表現を共同で学習する。実世界の医療記録から得られたデータセットにおけるトレースと最先端の複数の手法を比較した。提案手法は0.5708 auprcを達成し,2.31%の相対的改善が得られた。また,可視化や症例スタディを通じて,学習した埋め込みの臨床的意義を検証し,一般的な疾患予測モデルとしてのTRACEの可能性を示した。

関連論文リスト

Exploiting Liver CT scans in Colorectal Carcinoma genomics mutation classification [0.0]
本稿では,患者医用画像からの分類手法として,DeepLearningを用いた最初の探索法を提案する。本手法はCT画像からCRC RAS変異ファミリーを0.73F1スコアで同定できる。
論文参考訳（メタデータ） (2024-01-25T14:40:58Z)
Estimating the severity of dental and oral problems via sentiment classification over clinical reports [0.8287206589886879]
テキストにおける著者の感情を分析することは、医学や歯科など様々な分野において実用的で有用である。 CNN-LSTMとして知られる畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ネットワークアーキテクチャに基づくディープラーニングモデルを開発した。
論文参考訳（メタデータ） (2024-01-17T14:33:13Z)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
Diagnosis and Prognosis of Head and Neck Cancer Patients using Artificial Intelligence [0.0]
がんは世界中で最も致命的な疾患の1つであり、頭頸部がん(H&N)は毎年数十万件の新しい症例が記録されている。臨床医は、CTやポジトロン・エミッション・トモグラフィーなどの医療画像モダリティを用いて腫瘍の存在を検知し、その情報と患者の予後に関する臨床データを組み合わせる。機械学習とディープラーニングは、これらのタスクを自動化し、医師が非常に有望な結果を得るのを助ける。
論文参考訳（メタデータ） (2023-05-31T08:22:41Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data [0.0]
頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
論文参考訳（メタデータ） (2022-02-25T07:50:59Z)
Efficient Learning and Decoding of the Continuous-Time Hidden Markov Model for Disease Progression Modeling [119.50438407358862]
本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。 EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
論文参考訳（メタデータ） (2021-10-26T20:06:05Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文参考訳（メタデータ） (2020-09-08T15:49:55Z)
CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic for Interpretable Prognosis [20.701122594508675]
新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。 CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
論文参考訳（メタデータ） (2020-07-17T09:20:56Z)
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)

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。