論文の概要: Cross-Cohort Generalizability of Deep and Conventional Machine Learning
for MRI-based Diagnosis and Prediction of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2012.08769v2
- Date: Thu, 15 Apr 2021 09:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 11:20:27.064907
- Title: Cross-Cohort Generalizability of Deep and Conventional Machine Learning
for MRI-based Diagnosis and Prediction of Alzheimer's Disease
- Title(参考訳): MRIによるアルツハイマー病の診断と予測のためのDeep and Conventional Machine Learningのクロスコホート一般化
- Authors: Esther E. Bron, Stefan Klein, Janne M. Papma, Lize C. Jiskoot, Vikram
Venkatraghavan, Jara Linders, Pauline Aalten, Peter Paul De Deyn, Geert Jan
Biessels, Jurgen A.H.R. Claassen, Huub A.M. Middelkoop, Marion Smits, Wiro J.
Niessen, John C. van Swieten, Wiesje M. van der Flier, Inez H.G.B. Ramakers,
Aad van der Lugt (for the Alzheimer's Disease Neuroimaging Initiative, on
behalf of the Parelsnoer Neurodegenerative Diseases study group)
- Abstract要約: 本研究は, 軽度認知障害者(MCI)における, MRIによるアルツハイマー病(AD)患者の分類とCN(CN)の外部データセットへの適応とADへの転換予測の一般化性を検証するものである。
従来のSVM(Support vector Machine)とCNN(Deep Convolutional Neural Network)のアプローチを用いて,最小限の事前検証あるいはより広範な事前検証を行った構造的MRIスキャンを行った。
- 参考スコア(独自算出の注目度): 3.651988141747362
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work validates the generalizability of MRI-based classification of
Alzheimer's disease (AD) patients and controls (CN) to an external data set and
to the task of prediction of conversion to AD in individuals with mild
cognitive impairment (MCI). We used a conventional support vector machine (SVM)
and a deep convolutional neural network (CNN) approach based on structural MRI
scans that underwent either minimal pre-processing or more extensive
pre-processing into modulated gray matter (GM) maps. Classifiers were optimized
and evaluated using cross-validation in the ADNI (334 AD, 520 CN). Trained
classifiers were subsequently applied to predict conversion to AD in ADNI MCI
patients (231 converters, 628 non-converters) and in the independent Health-RI
Parelsnoer data set. From this multi-center study representing a tertiary
memory clinic population, we included 199 AD patients, 139 participants with
subjective cognitive decline, 48 MCI patients converting to dementia, and 91
MCI patients who did not convert to dementia. AD-CN classification based on
modulated GM maps resulted in a similar AUC for SVM (0.940) and CNN (0.933).
Application to conversion prediction in MCI yielded significantly higher
performance for SVM (0.756) than for CNN (0.742). In external validation,
performance was slightly decreased. For AD-CN, it again gave similar AUCs for
SVM (0.896) and CNN (0.876). For prediction in MCI, performances decreased for
both SVM (0.665) and CNN (0.702). Both with SVM and CNN, classification based
on modulated GM maps significantly outperformed classification based on
minimally processed images. Deep and conventional classifiers performed equally
well for AD classification and their performance decreased only slightly when
applied to the external cohort. We expect that this work on external validation
contributes towards translation of machine learning to clinical practice.
- Abstract(参考訳): 本研究は、アルツハイマー病(AD)患者のMRIによる分類と、外部データセットへの制御(CN)、および軽度認知障害(MCI)の個人におけるADへの変換予測タスクの一般化可能性を検証する。
従来のサポートベクターマシン(SVM)と、最小の事前処理またはより広範囲の事前処理を行った構造MRIスキャンに基づく深部畳み込みニューラルネットワーク(CNN)アプローチを用いて、変調グレーマター(GM)マップを作成した。
分類器はADNI(334 AD, 520 CN)のクロスバリデーションを用いて最適化され評価された。
訓練された分類器はadni mci患者(231人の変換器、628人の非変換器)と独立したhealth-ri parelsnoerデータセットでadへの変換を予測するために使用された。
199名のad患者、139名の主観的認知機能低下者、48名のmci患者を認知症に、91名のmci患者を認知症に転換した。
変調GMマップに基づくAD-CN分類は、SVM(0.940)とCNN(0.933)に類似したAUCとなった。
MCIにおける変換予測への応用により、SVM (0.756) はCNN (0.742) よりも大幅に性能が向上した。
外部検証では、性能はわずかに低下した。
AD-CNでは、SVM (0.896) と CNN (0.876) で同様のAUCを提供している。
MCIでの予測では、SVM (0.665) と CNN (0.702) のパフォーマンスが低下した。
SVMとCNNでは、変調GMマップに基づく分類は、最小処理された画像に基づく分類よりも著しく優れていた。
深部および従来型の分類器はAD分類でも同等に機能し, 外部コホートに適用した場合のみ, 性能はわずかに低下した。
この外部検証の取り組みは、機械学習の臨床への翻訳に寄与することを期待する。
関連論文リスト
- Predicting Deterioration in Mild Cognitive Impairment with Survival Transformers, Extreme Gradient Boosting and Cox Proportional Hazard Modelling [0.08399688944263844]
本稿では,認知の劣化を予測するために,サバイバル・トランスフォーマーの新たなアプローチと極勾配促進モデルを提案する。
提案手法は、アルツハイマー認知症における早期発見と介入をより正確にするためのこれらの手法の可能性を強調している。
論文 参考訳(メタデータ) (2024-09-24T16:49:43Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳(メタデータ) (2024-03-27T16:56:14Z) - CIMIL-CRC: a clinically-informed multiple instance learning framework for patient-level colorectal cancer molecular subtypes classification from H\&E stained images [42.771819949806655]
CIMIL-CRCは、事前学習した特徴抽出モデルと主成分分析(PCA)を効率よく組み合わせ、全てのパッチから情報を集約することで、MSI/MSS MIL問題を解決するフレームワークである。
我々は,TCGA-CRC-DXコホートを用いたモデル開発のための5倍のクロスバリデーション実験装置を用いて,曲線下平均面積(AUC)を用いてCIMIL-CRC法の評価を行った。
論文 参考訳(メタデータ) (2024-01-29T12:56:11Z) - Evaluation of QCNN-LSTM for Disability Forecasting in Multiple Sclerosis
Using Sequential Multisequence MRI [0.0]
多発性硬化症(MS)患者のMRIにおける各時点の時系列的関連性についてLSTMモデルを用いて検討した。
我々の仮説は、量子モデルは競争力のある性能を提供するというものである。
論文 参考訳(メタデータ) (2024-01-22T17:14:47Z) - Deep Learning Approach to Predict Hemorrhage in Moyamoya Disease [4.262366651054988]
本研究の目的は,モヤモヤ病の出血を予測するための3つの機械学習分類アルゴリズムを開発することである。
提案したANNフレームワークは成人MDD患者の出血の可能性を予測するための有効なツールとなる可能性がある。
論文 参考訳(メタデータ) (2023-02-01T02:40:00Z) - AD-BERT: Using Pre-trained contextualized embeddings to Predict the
Progression from Mild Cognitive Impairment to Alzheimer's Disease [14.59521645987661]
本研究では,変換器(BERT)モデルから事前学習した双方向表現に基づくディープラーニングフレームワークを開発する。
軽度認知障害(MCI)からアルツハイマー病(AD)への進行リスクを非構造的臨床ノートを用いて予測した。
論文 参考訳(メタデータ) (2022-11-07T04:05:46Z) - 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) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Improving 3D convolutional neural network comprehensibility via
interactive visualization of relevance maps: Evaluation in Alzheimer's
disease [0.8031935951075242]
畳み込みニューラルネットワーク(CNN)は、磁気共鳴イメージング(MRI)スキャンに基づいてアルツハイマー病(AD)認知症を検出する高い診断精度を実現します。
この理由の1つは、モデル理解性の欠如である。
より精度の高いモデルは、事前知識によって事前に定義された差別的脳領域にも依存するかどうかを検討した。
論文 参考訳(メタデータ) (2020-12-18T15:16:50Z) - 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) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。