論文の概要: Deep Learning with robustness to missing data: A novel approach to the
detection of COVID-19
- arxiv url: http://arxiv.org/abs/2103.13833v1
- Date: Thu, 25 Mar 2021 13:21:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-26 13:26:25.328124
- Title: Deep Learning with robustness to missing data: A novel approach to the
detection of COVID-19
- Title（参考訳）: 欠落データに対する堅牢性を備えたディープラーニング: 新型コロナウイルス検出のための新しいアプローチ
- Authors: Erdi \c{C}all{\i}, Keelin Murphy, Steef Kurstjens, Tijs Samson, Robert
Herpers, Henk Smits, Matthieu Rutten and Bram van Ginneken
- Abstract要約: 本研究では,新型コロナウイルスの検出のための新しいディープラーニングアーキテクチャdfcnを提案する。
DFCNは入力データの欠落に対して堅牢であるように設計されている。
アブレーション研究は、DFCNアーキテクチャの性能上の利点を広く評価する。
- 参考スコア（独自算出の注目度）: 3.6449670408654304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the context of the current global pandemic and the limitations of the
RT-PCR test, we propose a novel deep learning architecture, DFCN, (Denoising
Fully Connected Network) for the detection of COVID-19 using laboratory tests
and chest x-rays. Since medical facilities around the world differ enormously
in what laboratory tests or chest imaging may be available, DFCN is designed to
be robust to missing input data. An ablation study extensively evaluates the
performance benefits of the DFCN architecture as well as its robustness to
missing inputs. Data from 1088 patients with confirmed RT-PCR results are
obtained from two independent medical facilities. The data collected includes
results from 27 laboratory tests and a chest x-ray scored by a deep learning
network. Training and test datasets are defined based on the source medical
facility. Data is made publicly available. The performance of DFCN in
predicting the RT-PCR result is compared with 3 related architectures as well
as a Random Forest baseline. All models are trained with varying levels of
masked input data to encourage robustness to missing inputs. Missing data is
simulated at test time by masking inputs randomly. Using area under the
receiver operating curve (AUC) as a metric, DFCN outperforms all other models
with statistical significance using random subsets of input data with 2-27
available inputs. When all 28 inputs are available DFCN obtains an AUC of
0.924, higher than achieved by any other model. Furthermore, with clinically
meaningful subsets of parameters consisting of just 6 and 7 inputs
respectively, DFCN also achieves higher AUCs than any other model, with values
of 0.909 and 0.919.
- Abstract（参考訳）: 近年の世界的なパンデミックとRT-PCR検査の限界の中で、実験室と胸部X線を用いた新型コロナウイルス検出のための新しいディープラーニングアーキテクチャDFCN(Denoising Fully Connected Network)を提案する。
世界中の医療施設は実験室検査や胸部画像撮影で大きく異なるため、DFCNは入力データの欠落に対して堅牢であるように設計されている。
アブレーション研究は、DFCNアーキテクチャの性能上の利点と、欠落した入力に対する堅牢性を広く評価する。
RT-PCR結果が確認された1088例のデータは2つの独立した医療施設から得られた。
収集されたデータは、27の実験実験結果と、深層学習ネットワークによって記録された胸部x線とを含む。
トレーニングとテストデータセットは、ソース医療施設に基づいて定義される。
データは公開されている。
RT-PCR結果の予測におけるDFCNの性能は,Random Forestベースラインと関連する3つのアーキテクチャと比較した。
すべてのモデルは、不足した入力に対する堅牢性を促進するために、さまざまなレベルのマスキング入力データでトレーニングされる。
ミスデータはランダムに入力をマスキングすることでテスト時にシミュレートされる。
受信操作曲線(AUC)の下の領域をメートル法として、DFCNは2-27個の入力を持つランダムな入力データのサブセットを用いて、統計的に有意な他のモデルよりも優れている。
28個の入力がすべて利用可能である場合、DFCNは他のモデルよりも高い0.924のAUCが得られる。
さらに、DFCNは、それぞれ6と7の入力からなるパラメータの臨床的に有意なサブセットで、他のどのモデルよりも高いAUCを達成し、0.909と0.919の値である。
関連論文リスト
- SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。
SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。
Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
論文 参考訳（メタデータ） (2024-11-14T17:06:00Z) - 2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks [0.0]
本研究はパーキンソン病の診断にConvolutional Kolmogorov-Arnold Networks(ConvKANs)を適用した。
ConvKANは、構造MRIを用いたPD分類のために、学習可能なアクティベーション機能を畳み込み層に統合する。
医用画像用ConvKANの最初の3D実装について紹介し、その性能を畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCN)と比較した。
これらの知見は, PD検出に対するConvKANsの可能性を強調し, 脳の微妙な変化を捉える上での3D解析の重要性を強調し, データセット間の一般化の課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-07-24T16:04:18Z) - CIRCA: comprehensible online system in support of chest X-rays-based
COVID-19 diagnosis [37.41181188499616]
深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。
5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。
The U-Net-based model was developed to identified a clinically relevant region of the CXR。
論文 参考訳（メタデータ） (2022-10-11T13:30:34Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - A Hybrid VDV Model for Automatic Diagnosis of Pneumothorax using
Class-Imbalanced Chest X-rays Dataset [0.0]
現在、利用可能な医療画像データセットのほとんどはクラスアンバランスの問題があります。
まず、クラス不均衡問題に取り組むための既存のアプローチを比較し、そのデータレベル・センスを見つける(つまり、)。
データセットのサブセットのアンサンブル) 他のアプローチよりも優れています。
提案手法はSIIM ACR Pneumothorax データセットと NIH Chest X-ray データセット(RS-NIH)のランダムサンプルを用いて検証した。
論文 参考訳（メタデータ） (2020-12-22T10:20:04Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。