論文の概要: Simulating time to event prediction with spatiotemporal echocardiography
deep learning
- arxiv url: http://arxiv.org/abs/2103.02583v1
- Date: Wed, 3 Mar 2021 18:28:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 14:57:03.389411
- Title: Simulating time to event prediction with spatiotemporal echocardiography
deep learning
- Title(参考訳): 時空間心エコー深層学習による事象予測のシミュレーション
- Authors: Rohan Shad, Nicolas Quach, Robyn Fong, Patpilai Kasinpila, Cayley
Bowles, Kate M. Callon, Michelle C. Li, Jeffrey Teuteberg, John P.
Cunningham, Curtis P. Langlotz, William Hiesinger
- Abstract要約: ニューラルネットワークを用いてcox-proportional hazardsモデルを拡張することにより、時間対イベント予測の新しい手法を開発した。
専門家の注釈付き射出分数読みに基づくシミュレーションサバイバルデータセットを生成する。
シミュレーションによる生存結果のみを訓練することにより、時間的畳み込みニューラルネットワークが正確な生存推定をもたらすことを示す。
- 参考スコア(独自算出の注目度): 12.059859769175281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Integrating methods for time-to-event prediction with diagnostic imaging
modalities is of considerable interest, as accurate estimates of survival
requires accounting for censoring of individuals within the observation period.
New methods for time-to-event prediction have been developed by extending the
cox-proportional hazards model with neural networks. In this paper, to explore
the feasibility of these methods when applied to deep learning with
echocardiography videos, we utilize the Stanford EchoNet-Dynamic dataset with
over 10,000 echocardiograms, and generate simulated survival datasets based on
the expert annotated ejection fraction readings. By training on just the
simulated survival outcomes, we show that spatiotemporal convolutional neural
networks yield accurate survival estimates.
- Abstract(参考訳): 生存率の正確な推定には観察期間内の個体の検閲を考慮しなければならないため、時刻から事象への予測と診断画像のモダリティを統合する方法は非常に興味深い。
ニューラルネットワークを用いてcox-proportional hazardsモデルを拡張することにより、時間対イベント予測の新しい手法を開発した。
本稿では,1万以上の心エコー図を有するスタンフォード・エコーネット・ダイナミックデータセットを用いて,心エコー画像を用いた深層学習におけるこれらの手法の適用可能性について検討し,専門家の注釈付き射出分数読みに基づくシミュレーションサバイバルデータセットを作成する。
シミュレーションによる生存結果のみを訓練することにより,時空間畳み込みニューラルネットワークが正確な生存推定を得られることを示す。
関連論文リスト
- Efficient and Effective Time-Series Forecasting with Spiking Neural
Networks [50.195087118884665]
スパイキングニューラルネットワーク(SNN)は、時間データの複雑さを捉えるためのユニークな経路を提供する。
SNNを時系列予測に適用することは、効果的な時間的アライメントの難しさ、符号化プロセスの複雑さ、およびモデル選択のための標準化されたガイドラインの欠如により困難である。
本稿では,時間情報処理におけるスパイクニューロンの効率を活かした時系列予測タスクにおけるSNNのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-02T16:23:50Z) - DySurv: Dynamic Deep Learning Model for Survival Prediction in the ICU [2.9404725327650767]
そこで我々は,DySurvと呼ばれる条件付き変分オートエンコーダ方式を提案する。
DySurvは、患者の電子健康記録からの静的および時系列測定を組み合わせて、死のリスクを動的に見積もっている。
DySurvの予測能力は一貫しており、生存確率は異なるデータセットに分散している。
論文 参考訳(メタデータ) (2023-10-28T11:29:09Z) - tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time
Dynamic Prediction [19.38247205641199]
本研究では,時間依存型Coxサバイバルニューラルネットワーク(tdCoxSNN)を提案する。
提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
論文 参考訳(メタデータ) (2023-07-12T03:03:40Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG
Signals [62.997667081978825]
我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。
我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。
標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
論文 参考訳(メタデータ) (2021-12-08T13:07:21Z) - Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。
本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。
提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2021-02-09T07:19:19Z) - Weakly Supervised Arrhythmia Detection Based on Deep Convolutional
Neural Network [5.967433492643221]
教師付き深層学習は自動心電図分類の研究に広く用いられている。
既存の大規模なECGデータセットのほとんどは、ほぼ注釈付きであるため、トレーニングされた分類モデルは、記録全体における異常の存在のみを検出することができます。
本研究では,異常心電図とその発生時間を検出するための弱教師付き深層学習モデルを提案する。
論文 参考訳(メタデータ) (2020-12-10T12:59:33Z) - Patient-Specific Seizure Prediction Using Single Seizure
Electroencephalography Recording [16.395309518579914]
本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。
本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
論文 参考訳(メタデータ) (2020-11-14T03:45:17Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳(メタデータ) (2020-09-06T18:46:04Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Neural Topic Models with Survival Supervision: Jointly Predicting
Time-to-Event Outcomes and Learning How Clinical Features Relate [8.661220987937565]
本稿では,時間対結果の予測のための解釈可能なニューラルネットワーク手法を提案する。
我々は、トピックモデルの観点から機能がどのように関連しているかを同時に学習しながら、時間から時間までの結果を予測するために生存モデルを学習する。
本研究は,7つの医療データセットを用いて,死亡までの予測と入院期間の予測について検討した。
論文 参考訳(メタデータ) (2020-07-15T16:20:04Z)
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。