論文の概要: Patient Contrastive Learning: a Performant, Expressive, and Practical Approach to ECG Modeling

• arxiv url: http://arxiv.org/abs/2104.04569v1
• Date: Fri, 9 Apr 2021 18:58:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 14:02:29.376385
• Title: Patient Contrastive Learning: a Performant, Expressive, and Practical Approach to ECG Modeling
• Title（参考訳）: 患者コントラスト学習:心電図モデリングにおけるパフォーマンス・表現・実践的アプローチ
• Authors: Nathaniel Diamant, Erik Reinertsen, Steven Song, Aaron Aguirre, Collin Stultz, Puneet Batra
• Abstract要約: 医療における機械学習の応用は、ラベル付きトレーニングデータの不足により制限されることが多い。 多数のラベルのない例からECGの潜在表現を生成するプレトレーニングアプローチであるPCLR(Patient Contrastive Learning of Representations)を紹介します。 我々は,約320万個のECGを持つ大規模医療システムを用いてPCLRを開発し,5,000以上のラベルが存在する場合,複数の新しいタスクに対して大幅な改善が示された。
• 参考スコア（独自算出の注目度）: 0.06524460254566904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised machine learning applications in health care are often limited due to a scarcity of labeled training data. To mitigate this effect of small sample size, we introduce a pre-training approach, Patient Contrastive Learning of Representations (PCLR), which creates latent representations of ECGs from a large number of unlabeled examples. The resulting representations are expressive, performant, and practical across a wide spectrum of clinical tasks. We develop PCLR using a large health care system with over 3.2 million 12-lead ECGs, and demonstrate substantial improvements across multiple new tasks when there are fewer than 5,000 labels. We release our model to extract ECG representations at https://github.com/broadinstitute/ml4h/tree/master/model_zoo/PCLR.
• Abstract（参考訳）: 医療における機械学習の応用は、ラベル付きトレーニングデータの不足により制限されることが多い。 サンプルサイズを小さくすることによるこの効果を軽減するために,多数の未ラベル例からECGの潜在表現を生成するPCLR (Patent Contrastive Learning of Representations) という事前学習手法を導入する。 結果として得られる表現は、幅広い臨床タスクにおいて、表現力、パフォーマンス、実用的なものである。 我々は,約320万個のECGを持つ大規模医療システムを用いてPCLRを開発し,5,000以上のラベルが存在する場合,複数の新しいタスクに対して大幅な改善が示された。 我々は、ECG表現をhttps://github.com/broadinstitute/ml4h/tree/master/model_zoo/PCLRで抽出するモデルをリリースする。

関連論文リスト

• Teach Multimodal LLMs to Comprehend Electrocardiographic Images [10.577263066644194]
  我々は、100万以上のサンプルからなる総合的なECGイメージインストラクションチューニングデータセットであるECGInstructを紹介する。 また,心電図の理解に適したMLLMであるPULSEを開発した。 実験の結果,PULSEは従来のMLLMよりも15%から30%の精度向上を実現した。
  論文  参考訳（メタデータ） (2024-10-21T20:26:41Z)
• Scaling Representation Learning from Ubiquitous ECG with State-Space Models [28.776392386988043]
  我々は、ECG信号からの表現学習のための事前訓練された状態空間モデルであるtextbfWildECGを紹介する。 我々は,275,000個のECG記録を野生で収集し,下流のタスクで評価することで,このモデルを自己指導的に訓練する。
  論文  参考訳（メタデータ） (2023-09-26T22:08:19Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• ECGBERT: Understanding Hidden Language of ECGs with Self-Supervised Representation Learning [6.0106590095197605]
  ECGBERTは、ECGの基本言語をアンロックする自己教師付き表現学習アプローチである。 我々は,ECGBERTが様々なタスクで最先端の成果を得られる可能性を実証する。
  論文  参考訳（メタデータ） (2023-06-10T04:23:08Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Analysis of Augmentations for Contrastive ECG Representation Learning [17.467589890017123]
  本稿では,心電図(ECG)信号のコントラスト学習における各種拡張の有効性を系統的に検討する。 PTB-XLは、大規模で公開されている12リードのECGデータセットである。
  論文  参考訳（メタデータ） (2022-05-30T20:41:59Z)
• Contrastive Learning for View Classification of Echocardiograms [5.60187022176608]
  不均衡な心エコーデータセットに対するビュー分類モデルを訓練し、最小ラベル付きデータが利用できるビュー/クラスの性能向上を示す。 また,本モデルと比較すると,F1スコアを最大26%向上させながら,十分にラベル付けされたトレーニング観察を行うことができた。
  論文  参考訳（メタデータ） (2021-08-06T13:48:06Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• 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)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• 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。