論文の概要: Multiple Organ Failure Prediction with Classifier-Guided Generative
Adversarial Imputation Networks
- arxiv url: http://arxiv.org/abs/2106.11878v1
- Date: Tue, 22 Jun 2021 15:49:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-23 18:44:56.579648
- Title: Multiple Organ Failure Prediction with Classifier-Guided Generative
Adversarial Imputation Networks
- Title（参考訳）: 分類器誘導生成逆インプテーションネットワークによる多臓器不全予測
- Authors: Xinlu Zhang, Yun Zhao, Rachael Callcut, Linda Petzold
- Abstract要約: 多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。
機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
- 参考スコア（独自算出の注目度）: 4.040013871160853
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiple organ failure (MOF) is a severe syndrome with a high mortality rate
among Intensive Care Unit (ICU) patients. Early and precise detection is
critical for clinicians to make timely decisions. An essential challenge in
applying machine learning models to electronic health records (EHRs) is the
pervasiveness of missing values. Most existing imputation methods are involved
in the data preprocessing phase, failing to capture the relationship between
data and outcome for downstream predictions. In this paper, we propose
classifier-guided generative adversarial imputation networks Classifier-GAIN)
for MOF prediction to bridge this gap, by incorporating both observed data and
label information. Specifically, the classifier takes imputed values from the
generator(imputer) to predict task outcomes and provides additional supervision
signals to the generator by joint training. The classifier-guide generator
imputes missing values with label-awareness during training, improving the
classifier's performance during inference. We conduct extensive experiments
showing that our approach consistently outperforms classical and state-of-art
neural baselines across a range of missing data scenarios and evaluation
metrics.
- Abstract（参考訳）: 多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。
早期かつ正確な検出は、臨床医にとってタイムリーな意思決定に不可欠である。
機械学習モデルを電子健康記録(EHR)に適用する上で重要な課題は、欠落した値の広範性である。
既存の計算手法の多くは、データ前処理フェーズに関わっており、下流予測のデータと結果の関係を捉えていない。
本稿では,このギャップを埋めるために,観測データとラベル情報の両方を組み込むことにより,MOF予測のための分類器誘導逆数計算ネットワーク(Classifier-GAIN)を提案する。
特に、分類器は、ジェネレータ(インプタ)から入力された値を受け取り、タスクの結果を予測し、共同トレーニングによりジェネレータに追加の監視信号を提供する。
分類器ガイドジェネレータは、トレーニング中にラベル認識の欠落を示唆し、推論時の分類器の性能を向上させる。
我々は、我々のアプローチが、欠落したデータシナリオと評価指標の範囲で、古典的および最先端の神経ベースラインを一貫して上回ることを示す広範な実験を行う。
関連論文リスト
- MELEP: A Novel Predictive Measure of Transferability in Multi-Label ECG Diagnosis [1.3654846342364306]
本稿では,事前学習したモデルから下流のECG診断タスクへの知識伝達の有効性を推定する手段であるMELEPを紹介する。
実験により、MELEPは、小・不均衡のECGデータに基づいて、事前学習した畳み込みと繰り返しの深部ニューラルネットワークの性能を予測できることを示した。
論文 参考訳（メタデータ） (2023-10-27T14:57:10Z) - Cancer Subtyping by Improved Transcriptomic Features Using Vector
Quantized Variational Autoencoder [10.835673227875615]
本稿では,Vector Quantized Variational AutoEncoder (VQ-VAE)を提案する。
VQ-VAEは厳密な仮定を課さないため、その潜在機能は入力のより良い表現であり、メインストリームのクラスタリング手法で優れたクラスタリング性能を得ることができる。
論文 参考訳（メタデータ） (2022-07-20T09:47:53Z) - Improving self-supervised pretraining models for epileptic seizure
detection from EEG data [0.23624125155742057]
本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。
自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
論文 参考訳（メタデータ） (2022-06-28T17:15:49Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Empirical Analysis of Machine Learning Configurations for Prediction of
Multiple Organ Failure in Trauma Patients [7.122236250657051]
多臓器不全(MOF)は生命を脅かす状態である。
包括的機械学習(ML)構成を用いた初期MOF予測の定量的解析を行う。
論文 参考訳（メタデータ） (2021-03-19T17:49:22Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z) - 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) - Multi-Lead ECG Classification via an Information-Based Attention
Convolutional Neural Network [1.1720399305661802]
1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。
残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。
分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
論文 参考訳（メタデータ） (2020-03-25T02:28:04Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。