論文の概要: Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning?

• arxiv url: http://arxiv.org/abs/2109.12323v1
• Date: Sat, 25 Sep 2021 09:10:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:24:08.747603
• Title: Deep Learning-Based Detection of the Acute Respiratory Distress Syndrome: What Are the Models Learning?
• Title（参考訳）: 深層学習による急性呼吸障害症候群の検出:モデルは何を学ぶか?
• Authors: Gregory B. Rehm, Chao Wang, Irene Cortes-Puch, Chen-Nee Chuah, Jason Adams
• Abstract要約: 急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。 高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。 未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
• 参考スコア（独自算出の注目度）: 5.827840113217155
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The acute respiratory distress syndrome (ARDS) is a severe form of hypoxemic respiratory failure with in-hospital mortality of 35-46%. High mortality is thought to be related in part to challenges in making a prompt diagnosis, which may in turn delay implementation of evidence-based therapies. A deep neural network (DNN) algorithm utilizing unbiased ventilator waveform data (VWD) may help to improve screening for ARDS. We first show that a convolutional neural network-based ARDS detection model can outperform prior work with random forest models in AUC (0.95+/-0.019 vs. 0.88+/-0.064), accuracy (0.84+/-0.026 vs 0.80+/-0.078), and specificity (0.81+/-0.06 vs 0.71+/-0.089). Frequency ablation studies imply that our model can learn features from low frequency domains typically used for expert feature engineering, and high-frequency information that may be difficult to manually featurize. Further experiments suggest that subtle, high-frequency components of physiologic signals may explain the superior performance of DL models over traditional ML when using physiologic waveform data. Our observations may enable improved interpretability of DL-based physiologic models and may improve the understanding of how high-frequency information in physiologic data impacts the performance our DL model.
• Abstract（参考訳）: 急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり, 院内死亡率は35-46%である。 死亡率の高さは、迅速な診断の難しさに関係していると考えられており、証拠に基づく治療の実施が遅れる可能性がある。 未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。 まず,畳み込みニューラルネットワークを用いたards検出モデルは,auc (0.95+/-0.019 vs. 0.88+/-0.064)、精度 (0.84+/-0.026 vs 0.80+/-0.078)、特異性 (0.81+/-0.06 vs 0.71+/-0.089) において、ランダムフォレストモデルによる事前作業よりも優れることを示した。 周波数アブレーション研究は,専門的特徴工学に一般的に用いられる低周波領域と,手作業で実現しにくい高周波情報から特徴を学習できることを示唆する。 さらなる実験により、生理学的信号の微妙な高周波成分は、生理学的波形データを用いた従来のMLよりもDLモデルの優れた性能を説明できる可能性が示唆された。 我々の観察は、DLに基づく生理学的モデルの解釈性の向上を可能にし、生理的データの高周波情報がDLモデルの性能に与える影響を理解することができる。

関連論文リスト

• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Deep Learning-based Fall Detection Algorithm Using Ensemble Model of Coarse-fine CNN and GRU Networks [7.624051346741515]
  本研究では,大小の畳み込みニューラルネットワークとゲートリカレントユニットを組み合わせたアンサンブルモデルを提案する。 提案したモデルは、それぞれ92.54%、96.13%、94.26%のリコール、精度、Fスコアを達成する。
  論文  参考訳（メタデータ） (2023-04-13T08:30:46Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Exploring traditional machine learning for identification of pathological auscultations [0.39577682622066246]
  各種機械学習シナリオにおいて,45例のデジタル6チャンネル聴取を行った。 目的は,正常な肺と異常な肺の音を区別することであった。 監視されていないモデルよりも一貫した優位性を示した。
  論文  参考訳（メタデータ） (2022-09-01T18:03:21Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
  ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。 本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。 その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
  論文  参考訳（メタデータ） (2021-08-14T08:14:52Z)
• A Model-Based Approach to Synthetic Data Set Generation for Patient-Ventilator Waveforms for Machine Learning and Educational Use [0.0]
  機械学習と教育利用のための合成データセットを生成するモデルベースのアプローチを提案する。 文献中の測定結果から得られた9種類の患者原型を用いて合成データセットを生成した。
  論文  参考訳（メタデータ） (2021-03-29T15:10:17Z)
• Finding Patient Zero: Learning Contagion Source with Graph Neural Networks [67.3415507211942]
  感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。 既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。 グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
  論文  参考訳（メタデータ） (2020-06-21T21:12:44Z)
• Deep Neural Network for Respiratory Sound Classification in Wearable Devices Enabled by Patient Specific Model Tuning [2.8935588665357077]
  メル・スペクトログラムに基づく呼吸音を分類する深層CNN-RNNモデルを提案する。 また、まず呼吸器患者をスクリーニングし、次いで患者固有の分類モデルを構築する患者特化モデルチューニング戦略を実装した。 The proposed hybrid CNN-RNN model achieves 66.31% on four-class classification of breath cycles for ICBHI'17 scientific challenge respiratory sound database。
  論文  参考訳（メタデータ） (2020-04-16T15:42:58Z)

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。