論文の概要: ADiag: Graph Neural Network Based Diagnosis of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2101.02870v1
- Date: Fri, 8 Jan 2021 06:23:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-10 10:51:48.589102
- Title: ADiag: Graph Neural Network Based Diagnosis of Alzheimer's Disease
- Title(参考訳): adiag:アルツハイマー病の診断に基づくグラフニューラルネットワーク
- Authors: Vishnu Ram Sampathkumar
- Abstract要約: アルツハイマー病(ad、英: alzheimer's disease)は、世界中で5000万人以上の脳変性疾患である。
現在、認知テストのバッテリーのスコアリング性能の形でのみ定性的なテスト手段が採用されています。
GraphSAGE NetworkとDDP(Dense Differentiable Pooling)解析によりADを診断する新しい定量的手法であるADiagを開発した。
ADiagの予備テストは、83%の堅牢な精度を明らかにし、他の定性的および定量的診断技術を大幅に上回っています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Alzheimer's Disease (AD) is the most widespread neurodegenerative disease,
affecting over 50 million people across the world. While its progression cannot
be stopped, early and accurate diagnostic testing can drastically improve
quality of life in patients. Currently, only qualitative means of testing are
employed in the form of scoring performance on a battery of cognitive tests.
The inherent disadvantage of this method is that the burden of an accurate
diagnosis falls on the clinician's competence. Quantitative methods like MRI
scan assessment are inaccurate at best,due to the elusive nature of visually
observable changes in the brain. In lieu of these disadvantages to extant
methods of AD diagnosis, we have developed ADiag, a novel quantitative method
to diagnose AD through GraphSAGE Network and Dense Differentiable Pooling (DDP)
analysis of large graphs based on thickness difference between different
structural regions of the cortex. Preliminary tests of ADiag have revealed a
robust accuracy of 83%, vastly outperforming other qualitative and quantitative
diagnostic techniques.
- Abstract(参考訳): アルツハイマー病(ad、英: alzheimer's disease)は、世界中で5000万人以上の脳変性疾患である。
進行は止められないが、早期かつ正確な診断検査は患者の生活の質を大幅に改善することができる。
現在、定性的なテスト手段のみが、認知テストのバッテリでパフォーマンスをスコアリングする形で採用されている。
この方法の固有の欠点は、正確な診断の負担が臨床医の能力にかかっていることである。
MRIスキャンアセスメントのような定量的手法は、脳の視覚的に観察可能な変化の解明の性質によって、良くない。
既存のad診断方法の欠点に代えて,グラフサージネットワークによるad診断のための新しい定量的手法であるadiagと,大脳皮質の異なる構造領域間の厚さ差に基づく大規模グラフのddp解析を開発した。
ADiagの予備試験では、83%の堅牢な精度が示され、他の定性的および定量的診断技術よりも大幅に優れていた。
関連論文リスト
- Evaluating Echo State Network for Parkinson's Disease Prediction using
Voice Features [1.2289361708127877]
本研究の目的は,偽陰性の最小化と高精度化を両立できる診断モデルを開発することである。
Echo State Networks (ESN)、Random Forest、k-nearest Neighbors、Support Vector、Extreme Gradient Boosting、Decision Treeなど、さまざまな機械学習手法が採用され、徹底的に評価されている。
ESNは83%の症例で8%未満の偽陰性率を維持している。
論文 参考訳(メタデータ) (2024-01-28T14:39:43Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳(メタデータ) (2023-12-02T22:57:25Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳(メタデータ) (2023-11-26T14:42:31Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - LAVA: Granular Neuron-Level Explainable AI for Alzheimer's Disease
Assessment from Fundus Images [15.02513291695459]
アルツハイマー病(英語: Alzheimer's Disease、AD)は、進行性神経変性疾患であり、認知症の主要な原因である。
網膜は、脳と解剖学的に結びついているため、AD検出の診断部位として仮説化されている。
我々は、グラニュラーニューロンレベル説明器(LAVA)と呼ばれる新しいモデルに依存しない説明可能なAIフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-06T18:43:10Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳(メタデータ) (2022-06-02T07:57:17Z) - Predicting Alzheimer's Disease Using 3DMgNet [2.97983501982132]
3DMgNetはアルツハイマー病(AD)を診断するためのマルチグリッドと畳み込みニューラルネットワークの統合フレームワークである
このモデルはADとNCの分類で92.133%の精度を達成し、モデルのパラメータを大幅に削減した。
論文 参考訳(メタデータ) (2022-01-12T09:08:08Z) - 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) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳(メタデータ) (2021-01-08T06:51:08Z) - Application of Machine Learning to Predict the Risk of Alzheimer's
Disease: An Accurate and Practical Solution for Early Diagnostics [1.1470070927586016]
アルツハイマー病(AD)は500万人以上のアメリカ人の認知能力を悪化させ、医療システムに多大な負担をかけている。
本稿では,医療画像のない,臨床訪問や検査の少ないAD開発のための機械学習予測モデルを提案する。
本モデルは,2つの顕著な研究結果から,人口統計,バイオマーカー,認知テストデータを用いて訓練し,検証した。
論文 参考訳(メタデータ) (2020-06-02T14:52:51Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳(メタデータ) (2020-05-08T02:29:24Z)
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。