論文の概要: Forecasting Irreversible Disease via Progression Learning
- arxiv url: http://arxiv.org/abs/2012.11107v2
- Date: Tue, 13 Apr 2021 08:59:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-27 06:35:53.077854
- Title: Forecasting Irreversible Disease via Progression Learning
- Title（参考訳）: 進行学習による可逆性疾患の予測
- Authors: Botong Wu, Sijie Ren, Jing Li, Xinwei Sun, Shiming Li, Yizhou Wang
- Abstract要約: Parapapillary atrophy(PPA)は、ほとんどの不可逆眼疾患に関連する症状です。
textbfProgression textbfLearning(textbfDFPL)によるtextbfDisease textbfForecastという新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 18.13106500847306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forecasting Parapapillary atrophy (PPA), i.e., a symptom related to most
irreversible eye diseases, provides an alarm for implementing an intervention
to slow down the disease progression at early stage. A key question for this
forecast is: how to fully utilize the historical data (e.g., retinal image) up
to the current stage for future disease prediction? In this paper, we provide
an answer with a novel framework, namely \textbf{D}isease \textbf{F}orecast via
\textbf{P}rogression \textbf{L}earning (\textbf{DFPL}), which exploits the
irreversibility prior (i.e., cannot be reversed once diagnosed). Specifically,
based on this prior, we decompose two factors that contribute to the prediction
of the future disease: i) the current disease label given the data (retinal
image, clinical attributes) at present and ii) the future disease label given
the progression of the retinal images that from the current to the future. To
model these two factors, we introduce the current and progression predictors in
DFPL, respectively. In order to account for the degree of progression of the
disease, we propose a temporal generative model to accurately generate the
future image and compare it with the current one to get a residual image. The
generative model is implemented by a recurrent neural network, in order to
exploit the dependency of the historical data. To verify our approach, we apply
it to a PPA in-house dataset and it yields a significant improvement
(\textit{e.g.}, \textbf{4.48\%} of accuracy; \textbf{3.45\%} of AUC) over
others. Besides, our generative model can accurately localize the
disease-related regions.
- Abstract（参考訳）: ppa(parapapillary atrophy)の予測は、ほとんどの可逆性眼疾患に関連する症状であり、早期に疾患の進行を遅らせるための介入を実施するためのアラームとなる。
この予測の重要な疑問は、過去のデータ(例えば網膜画像)を現在の段階まで完全に活用して、将来の病気の予測を行う方法である。
本稿では,新しいフレームワーク,すなわち \textbf{D}isease \textbf{F}orecast via \textbf{P}rogression \textbf{L}earning (\textbf{DFPL}) を用いて解答を行う。
具体的には, 今後, 将来の疾患の予測に寄与する2つの因子を分解する。i) 現在の疾患ラベルは, 現時点のデータ(網膜像, 臨床属性)と, ii) 将来の疾患ラベルは, 現時点から未来にかけての網膜画像の進行に寄与する。
これら2つの要因をモデル化するために,DFPLの電流予測と進行予測をそれぞれ導入する。
疾患の進行度を考慮し,将来の画像を正確に生成し,現在の画像と比較して残像を得る時間的生成モデルを提案する。
生成モデルは、履歴データの依存性を利用するために、リカレントニューラルネットワークによって実装される。
このアプローチを検証するために、PPAの社内データセットに適用し、大幅に改善する(\textit{e.g.)。
}, \textbf{4.48\%} of accuracy; \textbf{3.45\%} of AUC) over other。
また,本生成モデルでは疾患関連領域を正確に局在させることができる。
関連論文リスト
- Early detection of disease outbreaks and non-outbreaks using incidence data [9.155744274374506]
我々は、アウトブレイクやアウトブレイクを正確に予測する、現実世界のトレーニングデータを持たない一般的なモデルを開発する。
アウトブレイクとアウトブレイクを区別する統計的特徴は,アウトブレイクが起こるずっと前から存在する。
人工的なデータセットと実世界のデータセットの違いは、発生のずっと前に検出できる。
論文 参考訳（メタデータ） (2024-04-13T03:57:14Z) - Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳（メタデータ） (2024-03-11T17:26:18Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information
Bottleneck [3.8988556182958005]
情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。
本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。
我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
論文 参考訳（メタデータ） (2023-03-18T10:53:43Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Learning transition times in event sequences: the Event-Based Hidden
Markov Model of disease progression [4.12857285066818]
我々は、イベントベースと隠れマルコフモデリングのアイデアを結びつけて、疾患進行の新しい生成モデルを作成する。
我々のモデルは、限られたデータセットから最も可能性の高いグループレベルのシーケンスとイベントのタイミングを推測することができる。
我々は,アルツハイマー病神経画像イニシアチブの臨床的,画像的,バイオ流体的データを用いて,我々のモデルの有効性と有用性を実証した。
論文 参考訳（メタデータ） (2020-11-02T15:13:03Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Steering a Historical Disease Forecasting Model Under a Pandemic: Case
of Flu and COVID-19 [75.99038202534628]
我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。
我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
論文 参考訳（メタデータ） (2020-09-23T22:35:43Z) - Development and Validation of a Novel Prognostic Model for Predicting
AMD Progression Using Longitudinal Fundus Images [6.258161719849178]
本研究では,不均一な時間間隔の縦画像データを用いて,疾患の進行を予測できる新しい深層学習手法を提案する。
年齢関連黄斑変性症(AMD)を呈する4903眼における眼底画像の経時的データセットについて検討した。
本手法では, 0.878の感度, 0.887の特異性, 0.950の受信機動作特性下での面積を測定できる。
論文 参考訳（メタデータ） (2020-07-10T00:33:19Z)
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。