論文の概要: Developing a New Autism Diagnosis Process Based on a Hybrid Deep
Learning Architecture Through Analyzing Home Videos
- arxiv url: http://arxiv.org/abs/2104.01137v1
- Date: Fri, 2 Apr 2021 17:30:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 14:13:48.008937
- Title: Developing a New Autism Diagnosis Process Based on a Hybrid Deep
Learning Architecture Through Analyzing Home Videos
- Title（参考訳）: ホームビデオ解析によるハイブリッド型ディープラーニングアーキテクチャに基づく新しい自閉症診断プロセスの開発
- Authors: Spencer He and Ryan Liu
- Abstract要約: 現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。
本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
- 参考スコア（独自算出の注目度）: 1.2691047660244335
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Currently, every 1 in 54 children have been diagnosed with Autism Spectrum
Disorder (ASD), which is 178% higher than it was in 2000. An early diagnosis
and treatment can significantly increase the chances of going off the spectrum
and making a full recovery. With a multitude of physical and behavioral tests
for neurological and communication skills, diagnosing ASD is very complex,
subjective, time-consuming, and expensive. We hypothesize that the use of
machine learning analysis on facial features and social behavior can speed up
the diagnosis of ASD without compromising real-world performance. We propose to
develop a hybrid architecture using both categorical data and image data to
automate traditional ASD pre-screening, which makes diagnosis a quicker and
easier process. We created and tested a Logistic Regression model and a Linear
Support Vector Machine for Module 1, which classifies ADOS categorical data. A
Convolutional Neural Network and a DenseNet network are used for module 2,
which classifies video data. Finally, we combined the best performing models, a
Linear SVM and DenseNet, using three data averaging strategies. We used a
standard average, weighted based on number of training data, and weighted based
on the number of ASD patients in the training data to average the results,
thereby increasing accuracy in clinical applications. The results we obtained
support our hypothesis. Our novel architecture is able to effectively automate
ASD pre-screening with a maximum weighted accuracy of 84%.
- Abstract（参考訳）: 現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。
早期の診断と治療は、スペクトルから外れて完全に回復する可能性を大幅に増やす可能性がある。
神経学的およびコミュニケーションのスキルに対する様々な身体的および行動的テストにより、ASDの診断は非常に複雑で、主観的、時間的、高価である。
顔の特徴や社会的行動に機械学習分析を用いることで、実世界のパフォーマンスを損なうことなく、ASDの診断を高速化できると仮定する。
本稿では、分類データと画像データの両方を用いて、従来のASD事前スクリーニングを自動化し、診断を迅速かつ容易にするハイブリッドアーキテクチャを提案する。
我々は,ados分類データを分類するロジスティック回帰モデルとモジュール1の線形サポートベクターマシンを作成し,テストを行った。
ビデオデータを分類するモジュール2には畳み込みニューラルネットワークとDenseNetネットワークが使用される。
最後に、3つのデータ平均化戦略を用いて、最も優れたパフォーマンスモデルである線形svmとdrknetを組み合わせる。
標準平均値を用い,訓練データ数に基づいて重み付けを行い,訓練データ中のasd患者数に基づいて重み付けを行い,臨床応用における正確性を高めた。
得られた結果は私たちの仮説を支持します。
提案するアーキテクチャは,最大重み付け精度84%でasdプレスクリーニングを効果的に自動化できる。
関連論文リスト
- Towards Equitable ASD Diagnostics: A Comparative Study of Machine and Deep Learning Models Using Behavioral and Facial Data [2.6353853440763113]
自閉症スペクトラム障害(ASD)は性差によって診断されることが多い。
本研究では, 機械学習モデル, 特にランダムフォレストと畳み込みニューラルネットワークを評価し, ASD 診断の精度を高める。
論文 参考訳（メタデータ） (2024-11-08T05:26:04Z) - Explainable AI for Autism Diagnosis: Identifying Critical Brain Regions Using fMRI Data [0.29687381456163997]
自閉症スペクトラム障害(ASD)の早期診断と介入は、自閉症者の生活の質を著しく向上させることが示されている。
ASDの客観的バイオマーカーは診断精度の向上に役立つ。
深層学習(DL)は,医療画像データから疾患や病態を診断する上で,優れた成果を上げている。
本研究の目的は, ASD の精度と解釈性を向上させることであり, ASD を正確に分類できるだけでなく,その動作に関する説明可能な洞察を提供する DL モデルを作成することである。
論文 参考訳（メタデータ） (2024-09-19T23:08:09Z) - MADE-for-ASD: A Multi-Atlas Deep Ensemble Network for Diagnosing Autism Spectrum Disorder [4.7377709803078325]
本稿では,従来の診断手法と潜在的な自動化ソリューションのギャップを埋める。
我々は,脳の機能的磁気共鳴画像(fMRI)データの複数のアトラスを統合するマルチアトラスディープアンサンブルネットワーク,MADE-for-ASDを提案する。
提案手法は,ASD診断性能を向上させるための予測ワークフローに,人口統計情報を統合する。
論文 参考訳（メタデータ） (2024-07-09T17:49:23Z) - 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) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - Multi-confound regression adversarial network for deep learning-based
diagnosis on highly heterogenous clinical data [1.2891210250935143]
我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。
われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。
このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
論文 参考訳（メタデータ） (2022-05-05T18:39:09Z) - Proposing a System Level Machine Learning Hybrid Architecture and
Approach for a Comprehensive Autism Spectrum Disorder Diagnosis [1.2691047660244335]
自閉症スペクトラム障害(Autism Spectrum disorder、ASD)は、知的発達、社会的行動、顔の特徴に影響を及ぼす重度の神経精神疾患である。
ASDの診断精度を向上させるために,社会行動と顔の特徴データの両方をフル活用したハイブリッドアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T04:33:09Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。