論文の概要: Interpretable Deep Learning for the Remote Characterisation of
Ambulation in Multiple Sclerosis using Smartphones
- arxiv url: http://arxiv.org/abs/2103.09171v1
- Date: Tue, 16 Mar 2021 16:15:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 15:46:25.642474
- Title: Interpretable Deep Learning for the Remote Characterisation of
Ambulation in Multiple Sclerosis using Smartphones
- Title(参考訳): スマートフォンを用いた多発性硬化症の遠隔診断のための解釈型深層学習
- Authors: Andrew P. Creagh, Florian Lipsmeier, Michael Lindemann and Maarten De
Vos
- Abstract要約: スマートフォンの慣性センサデータに適用した深層畳み込みニューラルネットワーク (dcnn) は, 健常者とms群との区別が良好であった。
同様の大規模オープンソースデータセットからの転送学習(tl)モデルを提案した。
ブラックボックス」深層ネットワークの透明性の欠如は、臨床応用における深層学習の広く受け入れられる最大の障害の1つである。
- 参考スコア(独自算出の注目度): 3.5547766520356547
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The emergence of digital technologies such as smartphones in healthcare
applications have demonstrated the possibility of developing rich, continuous,
and objective measures of multiple sclerosis (MS) disability that can be
administered remotely and out-of-clinic. In this work, deep convolutional
neural networks (DCNN) applied to smartphone inertial sensor data were shown to
better distinguish healthy from MS participant ambulation, compared to standard
Support Vector Machine (SVM) feature-based methodologies. To overcome the
typical limitations associated with remotely generated health data, such as low
subject numbers, sparsity, and heterogeneous data, a transfer learning (TL)
model from similar large open-source datasets was proposed. Our TL framework
utilised the ambulatory information learned on Human Activity Recognition (HAR)
tasks collected from similar smartphone-based sensor data. A lack of
transparency of "black-box" deep networks remains one of the largest stumbling
blocks to the wider acceptance of deep learning for clinical applications.
Ensuing work therefore aimed to visualise DCNN decisions attributed by
relevance heatmaps using Layer-Wise Relevance Propagation (LRP). Through the
LRP framework, the patterns captured from smartphone-based inertial sensor data
that were reflective of those who are healthy versus persons with MS (PwMS)
could begin to be established and understood. Interpretations suggested that
cadence-based measures, gait speed, and ambulation-related signal perturbations
were distinct characteristics that distinguished MS disability from healthy
participants. Robust and interpretable outcomes, generated from high-frequency
out-of-clinic assessments, could greatly augment the current in-clinic
assessment picture for PwMS, to inform better disease management techniques,
and enable the development of better therapeutic interventions.
- Abstract(参考訳): 医療アプリケーションにおけるスマートフォンなどのデジタル技術の出現は、遠隔および非気候で管理可能な多発性硬化症(ms)障害の豊かで連続的で客観的な対策を開発する可能性を実証した。
本研究では,スマートフォンの慣性センサデータに適用したディープ畳み込みニューラルネットワーク(DCNN)を,標準のSVM(Support Vector Machine)機能ベース手法と比較して,MS参加者のアンブレーションと健全性をよく区別することを示した。
低被験者数、スパーシティ、異種データなど、リモートで生成された健康データに関連する典型的な制限を克服するために、同様の大規模オープンソースデータセットからの転送学習(tl)モデルを提案した。
我々のTLフレームワークは、類似のスマートフォンセンサデータから収集したHAR(Human Activity Recognition)タスクの照準情報を利用した。
ブラックボックス」深層ネットワークの透明性の欠如は、臨床応用における深層学習の広く受け入れられる最大の障害の1つである。
その後の研究は、Layer-Wise Relevance Propagation (LRP)を用いて、関連ヒートマップに起因するDCNNの決定を可視化することを目的としている。
LRPフレームワークを通じて、健康な人とMS(PwMS)の人との相互関係を反映したスマートフォンベースの慣性センサーデータから取得したパターンが確立され、理解されるようになった。
また, 健常者からMS障害を区別する特徴として, リズムに基づく測定, 歩行速度, 振動関連信号摂動が示唆された。
高頻度の気候外評価から生じるロバストで解釈可能な結果は、pwmの現在の気候内評価図を大幅に強化し、より良い疾患管理技術を提供し、より良い治療介入の開発を可能にする。
関連論文リスト
- COMFORT: A Continual Fine-Tuning Framework for Foundation Models Targeted at Consumer Healthcare [3.088223994180069]
COMFORTはTransformerベースの基盤モデルとWMSベースの疾患検出のギャップを埋めることを目的としている。
本稿では,トランスフォーマーに基づく基礎モデルを生理的信号の大規模データセット上で事前学習するための新しいアプローチを提案する。
次に、低ランク適応(LoRA)とその変種など、パラメータ効率のよい各種細調整法(PEFT)を用いて、モデルを微調整し、下流の様々な疾患検出タスクに適応させる。
論文 参考訳(メタデータ) (2024-09-14T22:24:52Z) - L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。
人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。
我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
論文 参考訳(メタデータ) (2024-06-07T12:01:37Z) - Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems [1.8434042562191815]
インターネット・オブ・メディカル・モノ(IoMT)は、従来の医療境界を超越し、反応性治療から予防への転換を可能にする。
その利点は、処理されたデータの感度と価値のために、ユーザの生活を危険にさらす、重大なセキュリティ上の課題に対処されている。
新しいIDS(Intrusion Detection Systems)フレームワークを導入し、ANN(Artificial Neural Networks)を侵入検知に利用し、FL(Federated Learning)をプライバシ保護に活用する。
論文 参考訳(メタデータ) (2024-03-14T11:57:26Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Predicting multiple sclerosis disease severity with multimodal deep
neural networks [10.599189568556508]
患者のMS病重症度を予測するための多モード深層学習フレームワークを構築するために,構造化ERHデータ,ニューロイメージングデータ,臨床ノートを活用するパイロット取り組みについて述べる。
提案したパイプラインは、単一モーダルデータを用いたモデルと比較して、受信者動作特性曲線(AUROC)の下での面積の最大25%増加を示す。
論文 参考訳(メタデータ) (2023-04-08T16:23:18Z) - Cross-Modal Causal Intervention for Medical Report Generation [109.83549148448469]
医療報告生成(MRG)は、コンピュータ支援診断と治療指導に不可欠である。
視覚的および言語的バイアスによって引き起こされる画像テキストデータ内の素早い相関のため、病変領域を確実に記述した正確なレポートを生成することは困難である。
本稿では,視覚分解モジュール (VDM) と言語分解モジュール (LDM) からなるMRGのための新しい視覚言語因果干渉 (VLCI) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-16T07:23:55Z) - PulseImpute: A Novel Benchmark Task for Pulsative Physiological Signal
Imputation [54.839600943189915]
モバイルヘルス(英語: Mobile Health、mHealth)は、ウェアラブルセンサーを使用して、日常生活中の参加者の生理状態を高頻度で監視し、時間的に精度の高い健康介入を可能にする能力である。
豊富な計算文学にもかかわらず、既存の技術は多くのmHealthアプリケーションを構成する脈動信号には効果がない。
このギャップに対処するPulseImputeは、現実的なmHealth欠損モデル、幅広いベースラインセット、臨床関連下流タスクを含む、最初の大規模パルス信号計算チャレンジである。
論文 参考訳(メタデータ) (2022-12-14T21:39:15Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳(メタデータ) (2022-10-23T15:11:37Z) - Handling Non-ignorably Missing Features in Electronic Health Records
Data Using Importance-Weighted Autoencoders [8.518166245293703]
本稿では,生体データのランダムなパターンではなく,欠落を柔軟に扱うために,重要度重み付きオートエンコーダ(iwaes)と呼ばれるvaesの新たな拡張を提案する。
提案手法は,組み込みニューラルネットワークを用いて欠落機構をモデル化し,欠落機構の正確な形式を事前に指定する必要をなくした。
論文 参考訳(メタデータ) (2021-01-18T22:53:29Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳(メタデータ) (2020-07-31T14:34:47Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。