論文の概要: COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction
- arxiv url: http://arxiv.org/abs/2101.04909v2
- Date: Mon, 25 Jan 2021 04:52:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 08:05:40.515582
- Title: COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction
- Title（参考訳）: 自己教師付き表現学習と複数画像予測によるcovid-19の予後
- Authors: Anuroop Sriram, Matthew Muckley, Koustuv Sinha, Farah Shamout, Joelle
Pineau, Krzysztof J. Geras, Lea Azour, Yindalon Aphinyanaphongs, Nafissa
Yakubova, William Moore
- Abstract要約: 胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
- 参考スコア（独自算出の注目度）: 32.91440827855392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid spread of COVID-19 cases in recent months has strained hospital
resources, making rapid and accurate triage of patients presenting to emergency
departments a necessity. Machine learning techniques using clinical data such
as chest X-rays have been used to predict which patients are most at risk of
deterioration. We consider the task of predicting two types of patient
deterioration based on chest X-rays: adverse event deterioration (i.e.,
transfer to the intensive care unit, intubation, or mortality) and increased
oxygen requirements beyond 6 L per day. Due to the relative scarcity of
COVID-19 patient data, existing solutions leverage supervised pretraining on
related non-COVID images, but this is limited by the differences between the
pretraining data and the target COVID-19 patient data. In this paper, we use
self-supervised learning based on the momentum contrast (MoCo) method in the
pretraining phase to learn more general image representations to use for
downstream tasks. We present three results. The first is deterioration
prediction from a single image, where our model achieves an area under receiver
operating characteristic curve (AUC) of 0.742 for predicting an adverse event
within 96 hours (compared to 0.703 with supervised pretraining) and an AUC of
0.765 for predicting oxygen requirements greater than 6 L a day at 24 hours
(compared to 0.749 with supervised pretraining). We then propose a new
transformer-based architecture that can process sequences of multiple images
for prediction and show that this model can achieve an improved AUC of 0.786
for predicting an adverse event at 96 hours and an AUC of 0.848 for predicting
mortalities at 96 hours. A small pilot clinical study suggested that the
prediction accuracy of our model is comparable to that of experienced
radiologists analyzing the same information.
- Abstract（参考訳）: 新型コロナウイルスの感染拡大で病院の資源が枯渇し、救急医療機関に提示する患者の迅速かつ正確なトリアージが求められている。
胸部X線などの臨床データを用いた機械学習技術は、どの患者が劣化のリスクが最も高いかを予測するために用いられている。
胸部X線による2種類の患者劣化予測の課題を考察する: 有害事象劣化(集中治療室への移動, 挿管, 死亡)と1日6L以上の酸素要求量の増加である。
新型コロナウイルス患者のデータが比較的少ないため、既存のソリューションは、関連する非共用画像で教師付き事前トレーニングを利用するが、これは、事前トレーニングデータとターゲットの新型コロナウイルス患者データの違いによって制限される。
本稿では,前訓練段階における運動量コントラスト(moco)法に基づく自己教師あり学習を用いて,下流課題に使用する汎用イメージ表現の学習を行う。
3つの結果が得られます。
1つは1つの画像からの劣化予測であり、このモデルが受信者の動作特性曲線(auc)の下の領域を96時間以内に予測し(教師付き事前訓練で0.703に比較)、24時間で1日6l以上の酸素要求を予測するaucを0.765に設定する(教師付き事前訓練で0.749に比較)。
次に,複数の画像のシーケンスを予測として処理可能なトランスフォーマーアーキテクチャを提案し,96時間における有害事象の予測に改良されたAUC 0.786,96時間における致命率予測に0.848を達成できることを示す。
小型臨床研究により,本モデルの予測精度は,同一情報を解析した経験者と同等であることが示唆された。
関連論文リスト
- Deterioration Prediction using Time-Series of Three Vital Signs and
Current Clinical Features Amongst COVID-19 Patients [6.1594622252295474]
今後3～24時間で患者が悪化するかどうかを予測できる予後モデルを構築した。
このモデルは、(a)酸素飽和度、(b)心拍数、(c)温度という、通常の三進的なバイタルサインを処理する。
ニューヨーク・ラングーン・ヘルスで37,006人のCOVID-19患者から収集したデータを用いて、モデルを訓練し、評価した。
論文 参考訳（メタデータ） (2022-10-12T02:53:43Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Development and Validation of a Deep Learning Model for Prediction of
Severe Outcomes in Suspected COVID-19 Infection [9.524156465126758]
救急外来(ed)に初診した患者の予測結果を伴うトリエイジングは、患者の予後を改善する上で重要である。
我々は、患者の結果を予測するために深い機能融合モデルを訓練した。
モデルアウトプットは、最も非感受性な酸素療法が要求される患者の結果であった。
新型コロナウイルス重篤な結果(CO-RISKスコア)の予測リスクスコアは、モデルアウトプットから導出され、テストデータセットで評価された。
論文 参考訳（メタデータ） (2021-03-21T00:03:27Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - An artificial intelligence system for predicting the deterioration of
COVID-19 patients in the emergency department [28.050958444802944]
新型コロナウイルス感染症(COVID-19)のパンデミックでは、救急署の患者を迅速かつ正確にトリアージすることが重要である。
胸部X線画像から学習したディープニューラルネットワークを用いて,データ駆動による劣化リスクの自動予測手法を提案する。
我々は3,661人の患者から得られたデータを用いて,96時間以内の劣化を予測した場合に,受信者の動作特性曲線(AUC)が0.786未満の領域を達成した。
論文 参考訳（メタデータ） (2020-08-04T19:20:31Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z)
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。