論文の概要: SCORE-IT: A Machine Learning-based Tool for Automatic Standardization of EEG Reports

• arxiv url: http://arxiv.org/abs/2109.05694v1
• Date: Mon, 13 Sep 2021 04:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 10:22:23.605133
• Title: SCORE-IT: A Machine Learning-based Tool for Automatic Standardization of EEG Reports
• Title（参考訳）: SCORE-IT:脳波レポートの自動標準化のための機械学習ツール
• Authors: Samarth Rawal, Yogatheesan Varatharajah
• Abstract要約: 本稿では,非構造化の自然言語脳波レポートからSCORE仕様からコンポーネントを自動的に抽出する機械学習システムを提案する。 具体的には,(1)医師の印象によって記録された発作の種類,(2)医師の印象に従ってセッション記録が正常であったか異常であったか,(3)てんかんと診断されたか,などを特定する。
• 参考スコア（独自算出の注目度）: 0.4351216340655199
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Machine learning (ML)-based analysis of electroencephalograms (EEGs) is playing an important role in advancing neurological care. However, the difficulties in automatically extracting useful metadata from clinical records hinder the development of large-scale EEG-based ML models. EEG reports, which are the primary sources of metadata for EEG studies, suffer from lack of standardization. Here we propose a machine learning-based system that automatically extracts components from the SCORE specification from unstructured, natural-language EEG reports. Specifically, our system identifies (1) the type of seizure that was observed in the recording, per physician impression; (2) whether the session recording was normal or abnormal according to physician impression; (3) whether the patient was diagnosed with epilepsy or not. We performed an evaluation of our system using the publicly available TUH EEG corpus and report F1 scores of 0.92, 0.82, and 0.97 for the respective tasks.
• Abstract（参考訳）: 機械学習(ML)に基づく脳波解析(EEG)は神経学的ケアの進展に重要な役割を果たしている。 しかし、臨床記録から有用なメタデータを自動的に抽出することの難しさは、大規模な脳波ベースMLモデルの開発を妨げる。 eeg研究の主要なメタデータ源であるeegレポートは、標準化の欠如に苦しんでいる。 本稿では,非構造化の自然言語脳波レポートからSCORE仕様からコンポーネントを自動的に抽出する機械学習システムを提案する。 具体的には,(1)医師の印象による記録で観察された発作の種類,(2)医師の印象によるセッション記録が正常であったか異常であったか,(3)てんかんと診断されたか,などを明らかにした。 TUH EEGコーパスを用いて本システムの評価を行い,各タスクのF1スコアが0.92,0.82,0.97であった。

関連論文リスト

• A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation [0.1874930567916036]
  本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。 このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。 このAIシステムは、全般的なバックグラウンドの減速を検知し、焦点異常の検出を改善することで神経学者を著しく上回った。
  論文  参考訳（メタデータ） (2024-11-15T01:49:17Z)
• AutoRG-Brain: Grounded Report Generation for Brain MRI [57.22149878985624]
  放射線学者は、大量の画像を日々のベースで解釈し、対応するレポートを生成する責任を負う。 この要求される作業負荷は、人間のエラーのリスクを高め、治療の遅れ、医療費の増加、収益損失、運用上の不効率につながる可能性がある。 地盤自動報告生成(AutoRG)に関する一連の研究を開始した。 このシステムは、脳の構造の明細化、異常の局所化、そしてよく組織化された発見の生成をサポートする。
  論文  参考訳（メタデータ） (2024-07-23T17:50:00Z)
• RaTEScore: A Metric for Radiology Report Generation [59.37561810438641]
  本稿では,Radiological Report (Text) Evaluation (RaTEScore) として,新しい実体認識尺度を提案する。 RaTEScoreは、診断結果や解剖学的詳細などの重要な医療機関を強調し、複雑な医学的同義語に対して堅牢であり、否定表現に敏感である。 我々の評価は、RaTEScoreが既存の指標よりも人間の嗜好とより密接に一致していることを示し、確立された公開ベンチマークと、新たに提案したRaTE-Evalベンチマークの両方で検証した。
  論文  参考訳（メタデータ） (2024-06-24T17:49:28Z)
• MP-SeizNet: A Multi-Path CNN Bi-LSTM Network for Seizure-Type Classification Using EEG [2.1915057426589746]
  てんかん患者の治療と管理には, 精垂型鑑別が不可欠である。 本稿では,MP-SeizNetを用いた新しいマルチパス・アセプション型ディープラーニング・ネットワークを提案する。 MP-SeizNetは、畳み込みニューラルネットワーク(CNN)と、注意機構を備えた双方向長短期記憶ニューラルネットワーク(Bi-LSTM)で構成されている。
  論文  参考訳（メタデータ） (2022-11-09T01:07:20Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
  眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。 大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
  論文  参考訳（メタデータ） (2022-06-04T13:16:30Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network [0.21756081703275995]
  本稿では,頭皮電気脳波(EEG)を用いた神経疾患の診断を改善するための新しいグラフ畳み込みニューラルネットワーク(GCNN)を提案する。 脳波データのための新しいGCNNモデルであるEEG-GCNNを提案し、頭皮電極間の空間的および機能的接続を捉える。 我々は、EEG-GCNNが人間のベースラインと古典的機械学習(ML)ベースラインを大幅に上回っており、AUCは0.90であることを示した。
  論文  参考訳（メタデータ） (2020-11-17T20:25:28Z)
• Representation learning for improved interpretability and classification accuracy of clinical factors from EEG [7.323779456638996]
  脳波に基づく神経測定は、うつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能する。 これまでの研究では、脳波に基づく神経計測がうつ病の信頼できる客観的相関、あるいはうつ病の予測因子として機能することを示した。 しかし,その臨床的有用性は,1)脳波データに関連する固有ノイズに対処する自動化方法の欠如,2)脳波信号のどの側面が臨床疾患のマーカーであるかの知識の欠如など,完全には実現されていない。
  論文  参考訳（メタデータ） (2020-10-28T23:21:36Z)
• 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)

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。