論文の概要: Deep survival analysis with longitudinal X-rays for COVID-19

• arxiv url: http://arxiv.org/abs/2108.09641v1
• Date: Sun, 22 Aug 2021 05:28:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 15:31:42.292618
• Title: Deep survival analysis with longitudinal X-rays for COVID-19
• Title（参考訳）: 長手X線を用いたCOVID-19の深部生存解析
• Authors: Michelle Shu, Richard Strong Bowen, Charles Herrmann, Gengmo Qi, Michele Santacatterina, Ramin Zabih
• Abstract要約: 本稿では,複数の時間依存イメージング研究と非画像データを時系列解析に自然に組み込むディープラーニング手法を提案する。 本手法は,1,894人の新型コロナウイルス患者の臨床データセットをベンチマークし,画像の配列が予測を大幅に改善することを示した。
• 参考スコア（独自算出の注目度）: 16.208623403845497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-to-event analysis is an important statistical tool for allocating clinical resources such as ICU beds. However, classical techniques like the Cox model cannot directly incorporate images due to their high dimensionality. We propose a deep learning approach that naturally incorporates multiple, time-dependent imaging studies as well as non-imaging data into time-to-event analysis. Our techniques are benchmarked on a clinical dataset of 1,894 COVID-19 patients, and show that image sequences significantly improve predictions. For example, classical time-to-event methods produce a concordance error of around 30-40% for predicting hospital admission, while our error is 25% without images and 20% with multiple X-rays included. Ablation studies suggest that our models are not learning spurious features such as scanner artifacts. While our focus and evaluation is on COVID-19, the methods we develop are broadly applicable.
• Abstract（参考訳）: 経時的分析はICUベッドなどの臨床資源を割り当てるための重要な統計ツールである。 しかし、coxモデルのような古典的な技法は、その高次元のために直接イメージを取り込むことができない。 本稿では,複数の時間依存イメージング研究と非画像データを時系列解析に自然に組み込むディープラーニング手法を提案する。 本手法は1,894人の臨床データに基づいてベンチマークを行い,画像のシーケンスが予測を大幅に改善することを示す。 例えば、古典的な時間-イベント法では、病院の入院率を予測するのに約30-40%の一致誤差を生じるが、我々の誤差は画像無しで25%、複数のx線を含む20%である。 アブレーション研究によれば、我々のモデルはスキャナーアーティファクトのようなスプリアスな特徴を学習していない。 私たちの焦点と評価はcovid-19にフォーカスしていますが、私たちの開発手法は広く適用できます。

関連論文リスト

• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Classification of COVID-19 on chest X-Ray images using Deep Learning model with Histogram Equalization and Lungs Segmentation [1.6019444314820142]
  本研究は,胸部X線を用いたコビッドウイルス感染肺の検出のためのディープラーニングアーキテクチャに基づく研究である。 我々の新しいアプローチは、よく知られた前処理技術、特徴抽出法、およびデータセットバランス法を組み合わせることで、優れた98%の認識率をもたらす。
  論文  参考訳（メタデータ） (2021-12-05T05:04:38Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• 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)
• Chest X-ray Image Phase Features for Improved Diagnosis of COVID-19 Using Convolutional Neural Network [2.752817022620644]
  最近の研究で、新型コロナウイルス患者のX線写真には、新型コロナウイルスに関する情報が含まれていることが示されている。 胸部X線(CXR)は、高速な撮像時間、広範囲の可用性、低コスト、可搬性から注目されている。 本研究では、CXR画像から新型コロナウイルスの分類を改善するために、新しい多機能畳み込みニューラルネットワーク(CNN)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2020-11-06T20:26:26Z)
• 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)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Convolutional Sparse Support Estimator Based Covid-19 Recognition from X-ray Images [23.579399360004786]
  コロナウイルス(Covid-19)は、2019年12月に視認されて以来、世界中の主要な議題となっている。 X線イメージングは、Covid-19の診断に大きな可能性を持つ、一般的で容易にアクセスできるツールである。 この領域における最近の研究は、トレーニングに利用可能な限られたデータセットのため、あまり満足できない結果を生み出した。
  論文  参考訳（メタデータ） (2020-05-08T13:11:40Z)
• Towards an Effective and Efficient Deep Learning Model for COVID-19 Patterns Detection in X-ray Images [2.21653002719733]
  本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。 13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。 結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
  論文  参考訳（メタデータ） (2020-04-12T23:26:56Z)

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。