論文の概要: DeepProg: A Transformer-based Framework for Predicting Disease Prognosis

• arxiv url: http://arxiv.org/abs/2104.03642v1
• Date: Thu, 8 Apr 2021 09:53:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-09 21:36:40.920712
• Title: DeepProg: A Transformer-based Framework for Predicting Disease Prognosis
• Title（参考訳）: DeepProg: 疾患予後を予測するトランスフォーマーベースのフレームワーク
• Authors: Huy Hoang Nguyen, Simo Saarakkala, Matthew B. Blaschko, Aleksei Tiulpin
• Abstract要約: 本稿では,一対多のシーケンス予測問題として,予後予測タスクを定式化する。 放射線医と一般開業医の2人のエージェントによる臨床意思決定プロセスに触発され,汎用的なエンドツーエンドトランスフォーマーベースのフレームワークを提案する。 本手法の有効性と妥当性は,膝関節の構造的骨関節変化の進展を予測するために,合成データ上に示される。
• 参考スコア（独自算出の注目度）: 19.673447448533743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A vast majority of deep learning methods are built to automate diagnostic tasks. However, in clinical practice, a more advanced question is how to predict the course of a disease. Current methods for this problem are complicated, and often require domain knowledge, making them difficult for practitioners to use. In this paper, we formulate the prognosis prediction task as a one-to-many sequence prediction problem. Inspired by a clinical decision making process with two agents -- a radiologist and a general practitioner -- we propose a generic end-to-end transformer-based framework to estimate disease prognosis from images and auxiliary data. The effectiveness and validation of the developed method are shown on synthetic data, and in the task of predicting the development of structural osteoarthritic changes in knee joints.
• Abstract（参考訳）: 診断タスクを自動化するために、ディープラーニングメソッドの大部分が構築されている。 しかし、臨床実践において、より高度な疑問は、疾患の経過を予測する方法である。 この問題の現在の方法は複雑で、しばしばドメイン知識を必要とするため、実践者が使うのが難しい。 本稿では,一対多のシーケンス予測問題として予後予測タスクを定式化する。 放射線医と一般医の2人のエージェントによる臨床的意思決定プロセスに触発され,画像と補助データから疾患の予後を推定する汎用的なエンド・ツー・エンド・トランスフォーマー・ベースの枠組みを提案する。 本手法の有効性と妥当性を合成データに示し, 膝関節の構造的変形性変化の予測について検討した。

関連論文リスト

• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Scheduling with Predictions [0.0]
  現代の学習技術により、医療画像の異常を数分で検出できるようになった。 機械による診断は、放射線技師による人間の画像のレビューを確実に置き換えることはできない。 本研究では,このシナリオを学習強化オンラインスケジューリング問題として定式化することによって研究する。
  論文  参考訳（メタデータ） (2022-12-20T17:10:06Z)
• Clinically-Inspired Multi-Agent Transformers for Disease Trajectory Forecasting from Multimodal Data [13.766035805437847]
  予測問題を一対多の予測問題として定式化する。 2つのエージェントによる臨床的意思決定プロセスにインスパイアされ、2つのトランスフォーマーベースコンポーネントによる予後を予測する。 本研究は, 変形性膝関節症の発生を予測し, 生のマルチモーダルデータから直接アルツハイマー病の臨床像を予測するためのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-25T10:16:42Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Deep Multi-modal Fusion of Image and Non-image Data in Disease Diagnosis and Prognosis: A Review [8.014632186417423]
  医療における診断技術の急速な発展は、医師が日常的に発生する異質で相補的なデータを扱い、統合することの要求が高まっている。 近年のマルチモーダルディープラーニング技術の発展に伴い、我々はどのようにして多モーダル情報を抽出して集約し、究極的にはより客観的で定量的なコンピュータ支援の臨床的意思決定を提供するかという重要な疑問に、ますます多くの努力が注がれている。 本総説では,(1)現在のマルチモーダル・ラーニングの概要,(2)マルチモーダル・フュージョン法の要約,(3)パフォーマンスの議論,(4)疾患診断と予後の応用,(5)課題と将来について概説する。
  論文  参考訳（メタデータ） (2022-03-25T18:50:03Z)
• An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data [0.0]
  頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。 提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
  論文  参考訳（メタデータ） (2022-02-25T07:50:59Z)
• Survival-oriented embeddings for improving accessibility to complex data structures [2.1847940931069605]
  本稿では、生存分析の文脈における深層ニューラルネットワークの直接解釈を支援するハザード規則化変分オートエンコーダを提案する。 肝腫瘍患者の腹部CT検査と生存時間について検討した。
  論文  参考訳（メタデータ） (2021-10-21T17:38:08Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。