論文の概要: Towards dynamic multi-modal phenotyping using chest radiographs and
physiological data
- arxiv url: http://arxiv.org/abs/2111.02710v1
- Date: Thu, 4 Nov 2021 09:41:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-05 20:24:50.209853
- Title: Towards dynamic multi-modal phenotyping using chest radiographs and
physiological data
- Title(参考訳): 胸部X線写真と生理学的データを用いた動的マルチモーダル表現
- Authors: Nasir Hayat, Krzysztof J. Geras, Farah E. Shamout
- Abstract要約: 本稿では,モダリティ固有のデータ表現を学習し,補助的特徴を統合するための動的トレーニング手法を提案する。
MIMIC-IVおよび胸部X線写真を用いたMIMIC-CXRデータセットを用いた患者表現型検索の予備実験を行った。
このことは、表現型タスクにおける胸部画像モダリティの活用の利点を示し、医療応用におけるマルチモーダル学習の可能性を強調している。
- 参考スコア(独自算出の注目度): 3.11179491890629
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The healthcare domain is characterized by heterogeneous data modalities, such
as imaging and physiological data. In practice, the variety of medical data
assists clinicians in decision-making. However, most of the current
state-of-the-art deep learning models solely rely upon carefully curated data
of a single modality. In this paper, we propose a dynamic training approach to
learn modality-specific data representations and to integrate auxiliary
features, instead of solely relying on a single modality. Our preliminary
experiments results for a patient phenotyping task using physiological data in
MIMIC-IV & chest radiographs in the MIMIC- CXR dataset show that our proposed
approach achieves the highest area under the receiver operating characteristic
curve (AUROC) (0.764 AUROC) compared to the performance of the benchmark method
in previous work, which only used physiological data (0.740 AUROC). For a set
of five recurring or chronic diseases with periodic acute episodes, including
cardiac dysrhythmia, conduction disorders, and congestive heart failure, the
AUROC improves from 0.747 to 0.798. This illustrates the benefit of leveraging
the chest imaging modality in the phenotyping task and highlights the potential
of multi-modal learning in medical applications.
- Abstract(参考訳): 医療領域は、イメージングや生理学的データなどの異種データモダリティによって特徴づけられる。
実際には、さまざまな医療データが臨床医の意思決定を支援する。
しかし、現在の最先端のディープラーニングモデルのほとんどは、単一のモダリティを慎重にキュレートしたデータに依存している。
本稿では,モーダリティのみに頼るのではなく,モーダリティ固有のデータ表現を学習し,補助的な特徴を統合するための動的トレーニング手法を提案する。
MIMIC-CXRデータセットのMIMIC-IV, 胸部X線写真を用いた患者表現タスクの予備実験の結果, 提案手法は, 生理的データ(0.740 AUROC)のみを用いた以前の研究におけるベンチマーク手法と比較して, 受信操作特性曲線 (AUROC) (0.764 AUROC) の下で最も高い面積を達成できた。
心臓性不整脈、伝導障害、心不全を含む定期的な急性エピソードを有する5つの再発または慢性疾患のセットでは、AUROCは0.747から0.798に改善される。
これは表現型タスクで胸部イメージングモダリティを活用する利点を示し、医学的応用におけるマルチモーダル学習の可能性を強調している。
関連論文リスト
- DrFuse: Learning Disentangled Representation for Clinical Multi-Modal
Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。
モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。
実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
論文 参考訳(メタデータ) (2024-03-10T12:41:34Z) - Collaborative learning of common latent representations in routinely
collected multivariate ICU physiological signals [0.0]
本アルゴリズムは,Long Short-Term Memory (LSTM) ネットワークと協調フィルタリングの概念を統合し,患者間で共通する生理的状態を同定する。
脳損傷者における脳内高血圧(IH)検出のための実世界ICU臨床データを用いて,AUCが0.889,APが0.725であった。
論文 参考訳(メタデータ) (2024-02-27T22:10:51Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - Deep Learning for Predicting Progression of Patellofemoral
Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and
Symptomatic Assessments [1.1549572298362785]
本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。
PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。
年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
論文 参考訳(メタデータ) (2023-05-10T06:43:33Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳(メタデータ) (2023-04-26T14:11:04Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Longitudinal modeling of MS patient trajectories improves predictions of
disability progression [2.117653457384462]
本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。
本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。
文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
論文 参考訳(メタデータ) (2020-11-09T20:48:00Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z) - Prediction of Thrombectomy Functional Outcomes using Multimodal Data [2.358784542343728]
本稿では,マルチモーダルデータを直接活用し,血管内治療の成功を推定するための新しいディープラーニング手法を提案する。
我々は、チャネルワイドおよび空間的にグローバルな特徴間距離をモデル化するためのアテンションメカニズムをアーキテクチャに組み込んだ。
論文 参考訳(メタデータ) (2020-05-26T21:51:58Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。