論文の概要: Deep IDA: A Deep Learning Method for Integrative Discriminant Analysis of Multi-View Data with Feature Ranking -- An Application to COVID-19 severity

• arxiv url: http://arxiv.org/abs/2111.09964v1
• Date: Thu, 18 Nov 2021 22:44:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-23 04:23:29.722677
• Title: Deep IDA: A Deep Learning Method for Integrative Discriminant Analysis of Multi-View Data with Feature Ranking -- An Application to COVID-19 severity
• Title（参考訳）: Deep IDA: 特徴ランク付きマルチビューデータの統合的識別分析のためのディープラーニング手法 - COVID-19重症度への適用
• Authors: Jiuzhou Wang, Sandra E. Safo
• Abstract要約: 臨床および複数の分子データを用いて、新型コロナウイルスの重症度に光を当てる。 Deep IDAは2つ以上のビューの非線形射影を学習し、ビューを最大限に関連付け、各ビューのクラスを分離する。 我々の応用は、Deep IDAが他の最先端手法と比較して、競争力のある分類率を持っていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: COVID-19 severity is due to complications from SARS-Cov-2 but the clinical course of the infection varies for individuals, emphasizing the need to better understand the disease at the molecular level. We use clinical and multiple molecular data (or views) obtained from patients with and without COVID-19 who were (or not) admitted to the intensive care unit to shed light on COVID-19 severity. Methods for jointly associating the views and separating the COVID-19 groups (i.e., one-step methods) have focused on linear relationships. The relationships between the views and COVID-19 patient groups, however, are too complex to be understood solely by linear methods. Existing nonlinear one-step methods cannot be used to identify signatures to aid in our understanding of the complexity of the disease. We propose Deep IDA (Integrative Discriminant Analysis) to address analytical challenges in our problem of interest. Deep IDA learns nonlinear projections of two or more views that maximally associate the views and separate the classes in each view, and permits feature ranking for interpretable findings. Our applications demonstrate that Deep IDA has competitive classification rates compared to other state-of-the-art methods and is able to identify molecular signatures that facilitate an understanding of COVID-19 severity.
• Abstract（参考訳）: 新型コロナウイルスの重症度はSARS-Cov-2の合併症によるものであるが、臨床経過は個人によって異なり、分子レベルでの疾患の理解を深める必要性を強調している。 我々は、集中治療室に入院した(または入院していない)新型コロナウイルス患者から得られた臨床および複数の分子データ(またはビュー)を用いて、重症度に光を当てた。 ビューを共同で関連付ける方法や、COVID-19グループ(すなわちワンステップメソッド)を分離する方法は、線形関係に重点を置いている。 しかし、ビューと新型コロナウイルスの患者グループとの関係は複雑すぎて、線形的な方法だけでは理解できない。 既存の非線形ワンステップ法は、疾患の複雑さを理解するのに役立つシグネチャを特定するために使用できません。 我々は、関心事問題における分析課題に対処するため、Deep IDA(Integrative Discriminant Analysis)を提案する。 Deep IDAは2つ以上のビューの非線形投影を学習し、ビューを最大限に関連付け、各ビューのクラスを分離し、解釈可能な結果のフィーチャーランキングを可能にする。 我々の応用は、Deep IDAが他の最先端手法と比較して競争力のある分類率を持ち、新型コロナウイルスの重症度を理解するための分子シグネチャを識別できることを示している。

関連論文リスト

• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Collective Intelligent Strategy for Improved Segmentation of COVID-19 from CT [0.2062593640149623]
  本研究では, 深層学習と画像を用いた非侵襲的非侵襲ツールを提案する。 Ensembling Attention-based Multi-scaled Convolution Network (EAMC) は感染領域のアウトラインにおいて高い感度と精度を示す。 その臨床的意義は、遠隔地で専門的な医療を欠く患者に低コストな意思決定を提供することにおいて、前例のない範囲にある。
  論文  参考訳（メタデータ） (2022-12-23T11:24:29Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Exploiting Shared Knowledge from Non-COVID Lesions for Annotation-Efficient COVID-19 CT Lung Infection Segmentation [10.667692828593125]
  新型コロナウイルスの肺感染分画における相関駆動型協調学習モデルを提案する。 我々は、抽出された特徴間の関係の整合性を調整するために、COVIDと非COVIDの病変間の共通知識を利用する。 本手法は,高品質なアノテーションが不足している既存手法と比較して,高いセグメンテーション性能を実現する。
  論文  参考訳（メタデータ） (2020-12-31T11:40:29Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• Clustering COVID-19 Lung Scans [3.5447971809011882]
  グループは、新型コロナウイルス、ウイルス性肺炎、健康な人の肺がんのデータセットを調査するために、教師なしのクラスタリング技術を適用した。 本手法は,非監視的クラスタリングアルゴリズムが,新型コロナウイルスと他の呼吸器疾患の隠れた重要な違いを明らかにする必要がある可能性を探るものである。
  論文  参考訳（メタデータ） (2020-09-05T00:21:13Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)

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。