論文の概要: Cardiac Complication Risk Profiling for Cancer Survivors via Multi-View
Multi-Task Learning
- arxiv url: http://arxiv.org/abs/2109.12276v1
- Date: Sat, 25 Sep 2021 05:00:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-28 15:53:30.693952
- Title: Cardiac Complication Risk Profiling for Cancer Survivors via Multi-View
Multi-Task Learning
- Title(参考訳): マルチビューマルチタスク学習によるがん生存者の心合併症リスクプロファイリング
- Authors: Thai-Hoang Pham, Changchang Yin, Laxmi Mehta, Xueru Zhang, Ping Zhang
- Abstract要約: 複雑化リスクプロファイリングは、異種物質間の複雑な相互作用のため、医療領域において重要な課題である。
複数の合併症の発症を予測するマルチビューマルチタスクネットワーク (MuViTaNet) を提案する。
- 参考スコア(独自算出の注目度): 11.13058781411915
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Complication risk profiling is a key challenge in the healthcare domain due
to the complex interaction between heterogeneous entities (e.g., visit,
disease, medication) in clinical data. With the availability of real-world
clinical data such as electronic health records and insurance claims, many deep
learning methods are proposed for complication risk profiling. However, these
existing methods face two open challenges. First, data heterogeneity relates to
those methods leveraging clinical data from a single view only while the data
can be considered from multiple views (e.g., sequence of clinical visits, set
of clinical features). Second, generalized prediction relates to most of those
methods focusing on single-task learning, whereas each complication onset is
predicted independently, leading to suboptimal models. We propose a multi-view
multi-task network (MuViTaNet) for predicting the onset of multiple
complications to tackle these issues. In particular, MuViTaNet complements
patient representation by using a multi-view encoder to effectively extract
information by considering clinical data as both sequences of clinical visits
and sets of clinical features. In addition, it leverages additional information
from both related labeled and unlabeled datasets to generate more generalized
representations by using a new multi-task learning scheme for making more
accurate predictions. The experimental results show that MuViTaNet outperforms
existing methods for profiling the development of cardiac complications in
breast cancer survivors. Furthermore, thanks to its multi-view multi-task
architecture, MuViTaNet also provides an effective mechanism for interpreting
its predictions in multiple perspectives, thereby helping clinicians discover
the underlying mechanism triggering the onset and for making better clinical
treatments in real-world scenarios.
- Abstract(参考訳): 複雑化リスクプロファイリングは、臨床データにおける異種体(例えば、訪問、病気、薬物)間の複雑な相互作用のために、医療領域において重要な課題である。
電子健康記録や保険請求書などのリアルな臨床データの提供により、合併症リスクのプロファイリングに多くの深層学習手法が提案されている。
しかし、これらの既存の手法は2つのオープンな課題に直面している。
第一に、データ不均一性は、複数の視点(例えば、臨床訪問の順序、臨床特徴のセット)からデータを考慮しながら、単一の視点から臨床データを活用する方法に関連する。
第二に、一般化予測はシングルタスク学習に焦点をあてた手法のほとんどに関係しており、一方、各複雑化の開始は独立して予測され、サブ最適モデルに繋がる。
これらの問題に対処する複数の合併症の発生を予測するためのマルチビューマルチタスクネットワーク (MuViTaNet) を提案する。
特に、MuViTaNetは、多視点エンコーダを用いて患者表現を補完し、臨床データのシーケンスと臨床特徴のセットとして、臨床データを効果的に抽出する。
さらに、関連するラベル付きデータセットとラベルなしデータセットの両方からの追加情報を活用して、より正確な予測を行うための新しいマルチタスク学習スキームを使用して、より一般化された表現を生成する。
実験の結果, MuViTaNetは乳がん生存者において, 心臓合併症の進展をプロファイリングするための既存の方法よりも優れていた。
さらに、マルチビューのマルチタスクアーキテクチャのおかげで、MuViTaNetは複数の視点で予測を解釈するための効果的なメカニズムも提供する。
関連論文リスト
- Multimodal Clinical Trial Outcome Prediction with Large Language Models [30.507002693541384]
臨床試験の結果を予測するために, LIFTED(Multimodal Mixed-of-Experts)アプローチを提案する。
LIFTEDは、異なるモダリティデータを自然言語記述に変換することで統一する。
そして、LIFTEDは統合ノイズ耐性エンコーダを構築し、モーダル固有の言語記述から情報を抽出する。
論文 参考訳(メタデータ) (2024-02-09T16:18:38Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳(メタデータ) (2023-12-29T14:28:04Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - C^2M-DoT: Cross-modal consistent multi-view medical report generation
with domain transfer network [67.97926983664676]
ドメイン転送ネットワーク(C2M-DoT)を用いたクロスモーダルなマルチビュー医療レポート生成を提案する。
C2M-DoTは、すべてのメトリクスで最先端のベースラインを大幅に上回る。
論文 参考訳(メタデータ) (2023-10-09T02:31:36Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳(メタデータ) (2023-06-01T16:23:47Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Medical Diagnosis with Large Scale Multimodal Transformers: Leveraging
Diverse Data for More Accurate Diagnosis [0.15776842283814416]
我々は「学習可能なシナジー」の新しい技術的アプローチを提案する。
我々のアプローチは容易に拡張可能であり、臨床ルーチンからのマルチモーダルデータ入力に自然に適応する。
臨床的に関連のある診断タスクにおいて、最先端のモデルよりも優れています。
論文 参考訳(メタデータ) (2022-12-18T20:43:37Z) - Multi-objective optimization determines when, which and how to fuse deep
networks: an application to predict COVID-19 outcomes [1.8351254916713304]
マルチモーダル・エンド・ツー・エンドモデルのセットアップを最適化する新しい手法を提案する。
我々はAIforCOVIDデータセット上でテストを行い、最先端の結果を得た。
論文 参考訳(メタデータ) (2022-04-07T23:07:33Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。