論文の概要: A multi-stage machine learning model on diagnosis of esophageal
manometry
- arxiv url: http://arxiv.org/abs/2106.13869v1
- Date: Fri, 25 Jun 2021 20:09:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 14:01:55.765579
- Title: A multi-stage machine learning model on diagnosis of esophageal
manometry
- Title（参考訳）: 食道マントメトリー診断のための多段階機械学習モデル
- Authors: Wenjun Kou, Dustin A. Carlson, Alexandra J. Baumann, Erica N. Donnan,
Jacob M. Schauer, Mozziyar Etemadi, John E. Pandolfino
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 50.591267188664666
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: High-resolution manometry (HRM) is the primary procedure used to diagnose
esophageal motility disorders. Its interpretation and classification includes
an initial evaluation of swallow-level outcomes and then derivation of a
study-level diagnosis based on Chicago Classification (CC), using a tree-like
algorithm. This diagnostic approach on motility disordered using HRM was
mirrored using a multi-stage modeling framework developed using a combination
of various machine learning approaches. Specifically, the framework includes
deep-learning models at the swallow-level stage and feature-based machine
learning models at the study-level stage. In the swallow-level stage, three
models based on convolutional neural networks (CNNs) were developed to predict
swallow type, swallow pressurization, and integrated relaxation pressure (IRP).
At the study-level stage, model selection from families of the
expert-knowledge-based rule models, xgboost models and artificial neural
network(ANN) models were conducted, with the latter two model designed and
augmented with motivation from the export knowledge. A simple model-agnostic
strategy of model balancing motivated by Bayesian principles was utilized,
which gave rise to model averaging weighted by precision scores. The averaged
(blended) models and individual models were compared and evaluated, of which
the best performance on test dataset is 0.81 in top-1 prediction, 0.92 in top-2
predictions. This is the first artificial-intelligence-style model to
automatically predict CC diagnosis of HRM study from raw multi-swallow data.
Moreover, the proposed modeling framework could be easily extended to
multi-modal tasks, such as diagnosis of esophageal patients based on clinical
data from both HRM and functional luminal imaging probe panometry (FLIP).
- Abstract（参考訳）: 高分解能マントメトリー(HRM)は食道運動障害を診断するための第一処置である。
その解釈と分類には、ツバメレベルの結果の初期評価と、木のようなアルゴリズムを用いてシカゴ分類(cc)に基づく研究レベルの診断の導出が含まれる。
HRMを用いた運動性障害のこの診断手法は、様々な機械学習手法の組み合わせを用いて開発された多段階モデリングフレームワークを用いて反映された。
特に、このフレームワークは、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を含んでいる。
また,畳み込みニューラルネットワーク(cnns)に基づく3つのモデルを開発し,飲み込み型,飲み込み加圧,統合緩和圧(irp)の予測を行った。
研究段階において、エキスパート知識に基づくルールモデル、xgboostモデル、人工ニューラルネットワーク(ANN)モデルのファミリーからモデル選択を行い、後者の2つのモデルは輸出知識からモチベーションを得て設計および拡張された。
ベイズ原理に動機づけられたモデルバランスの単純なモデル非依存戦略を利用して、精度スコアによって重み付けされたモデル平均化を生み出した。
平均モデルと各モデルを比較して評価し,top-1予測では0.81,top-2予測では0.92であった。
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。
さらに,HRMおよび機能的光画像プローブパノメトリー(FLIP)による臨床データに基づいて食道患者の診断など,マルチモーダルタスクに容易に拡張することができる。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - The Importance of Downstream Networks in Digital Pathology Foundation Models [1.689369173057502]
162のアグリゲーションモデル構成を持つ3つの異なるデータセットにまたがる7つの特徴抽出モデルを評価する。
多くの特徴抽出器モデルの性能は顕著に類似していることが判明した。
論文 参考訳（メタデータ） (2023-11-29T16:54:25Z) - On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。
このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。
我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2022-06-09T17:12:32Z) - DeepAD: A Robust Deep Learning Model of Alzheimer's Disease Progression
for Real-World Clinical Applications [0.9999629695552196]
本稿では,アルツハイマー病の進行を予測するための新しいマルチタスク深層学習モデルを提案する。
本モデルでは,3次元畳み込みニューラルネットワークの高次元MRI特徴を他のデータモダリティと統合する。
論文 参考訳（メタデータ） (2022-03-17T05:42:00Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳（メタデータ） (2021-12-01T13:56:27Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Generative Autoencoder Kernels on Deep Learning for Brain Activity
Analysis [3.04585143845864]
HessELM-AE (Hessenberg decomposition-based ELM autoencoder) は、入力データの異なる表示を生成する新しいカーネルである。
本研究の目的は、脳卒中患者の脳波(EEG)に対する臨床的有用性のための新しいDeep AEカーネルの性能を分析することである。
論文 参考訳（メタデータ） (2021-01-21T08:19:47Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。