論文の概要: U-GAT: Multimodal Graph Attention Network for COVID-19 Outcome Prediction

• arxiv url: http://arxiv.org/abs/2108.00860v1
• Date: Thu, 29 Jul 2021 12:00:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:26:35.901922
• Title: U-GAT: Multimodal Graph Attention Network for COVID-19 Outcome Prediction
• Title（参考訳）: u-gat:covid-19アウトカム予測のためのマルチモーダルグラフアテンションネットワーク
• Authors: Matthias Keicher, Hendrik Burwinkel, David Bani-Harouni, Magdalini Paschali, Tobias Czempiel, Egon Burian, Marcus R. Makowski, Rickmer Braren, Nassir Navab, Thomas Wendler
• Abstract要約: 新型コロナウイルス(COVID-19)の最初の波で、病院は多数の入院患者に圧倒された。 画像情報と非画像情報を組み合わせた全体論的なグラフベースのアプローチは、早期の予後を可能にする可能性がある。 本稿では,患者をクラスタリングするための人口グラフを構築するためのマルチモーダル類似度指標と,このグラフを処理するための画像ベースのエンドツーエンドグラフ注意ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 31.26241022394112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the first wave of COVID-19, hospitals were overwhelmed with the high number of admitted patients. An accurate prediction of the most likely individual disease progression can improve the planning of limited resources and finding the optimal treatment for patients. However, when dealing with a newly emerging disease such as COVID-19, the impact of patient- and disease-specific factors (e.g. body weight or known co-morbidities) on the immediate course of disease is by and large unknown. In the case of COVID-19, the need for intensive care unit (ICU) admission of pneumonia patients is often determined only by acute indicators such as vital signs (e.g. breathing rate, blood oxygen levels), whereas statistical analysis and decision support systems that integrate all of the available data could enable an earlier prognosis. To this end, we propose a holistic graph-based approach combining both imaging and non-imaging information. Specifically, we introduce a multimodal similarity metric to build a population graph for clustering patients and an image-based end-to-end Graph Attention Network to process this graph and predict the COVID-19 patient outcomes: admission to ICU, need for ventilation and mortality. Additionally, the network segments chest CT images as an auxiliary task and extracts image features and radiomics for feature fusion with the available metadata. Results on a dataset collected in Klinikum rechts der Isar in Munich, Germany show that our approach outperforms single modality and non-graph baselines. Moreover, our clustering and graph attention allow for increased understanding of the patient relationships within the population graph and provide insight into the network's decision-making process.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の最初の波で、病院は多数の入院患者に圧倒された。 最も可能性の高い個々の疾患の正確な予測は、限られた資源の計画を改善し、患者の最適な治療を見つけることができる。 しかし、新型コロナウイルス(COVID-19)などの新規の疾患を扱う場合、患者固有の要因(例)の影響がある。 疾患の即時進行における体重または既知の共死)は、大きく不明である。 新型コロナウイルスの場合、肺炎患者の集中治療室(ICU)の入院の必要性は、バイタルサイン(例)のような急性の指標によってのみ決定されることが多い。 呼吸速度、血中酸素濃度)は、すべての利用可能なデータを統合した統計分析と意思決定支援システムは、早期の予後を可能にする。 そこで本研究では,画像情報と非画像情報を組み合わせた総合グラフに基づくアプローチを提案する。 具体的には、クラスタリング患者のための人口グラフを構築するためのマルチモーダル類似度指標と、このグラフを処理し、COVID-19患者の結果を予測する画像ベースのエンドツーエンドグラフ注意ネットワークを導入する。 さらに、ネットワークは胸部CT画像を補助タスクとしてセグメント化し、利用可能なメタデータと特徴融合するための画像特徴と放射能を抽出する。 ドイツ、ミュンヘンのklinikum rechts der isarで収集されたデータセットの結果、我々のアプローチは単一モダリティと非グラフベースラインよりも優れていることがわかった。 さらに,このクラスタリングとグラフの注意は,人口グラフ内の患者関係の理解を深め,ネットワークの意思決定過程に関する洞察を与える。

関連論文リスト

• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• MAVIDH Score: A COVID-19 Severity Scoring using Chest X-Ray Pathology Features [10.671315906986754]
  コンピュータビジョンの新型コロナウイルス診断への応用は複雑で難しい。 新型コロナウイルスの医療画像の最大の価値は、むしろ患者の予後にある。 胸部X線から疾患重症度を評価するための肺病理学的特徴に基づく簡易な方法を提案する。
  論文  参考訳（メタデータ） (2020-11-30T16:55:28Z)
• Potential Features of ICU Admission in X-ray Images of COVID-19 Patients [8.83608410540057]
  本稿では,患者ICU入院ラベルを用いたデータセットから,重症度と相関する意味的特徴を抽出する手法を提案する。 この手法は、肺の病態を認識して意味的特徴を抽出するために訓練されたニューラルネットワークを使用する。 この方法では、学習した特徴の画像を選択でき、肺内の一般的な位置に関する情報を翻訳することができる。
  論文  参考訳（メタデータ） (2020-09-26T13:48:39Z)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。