論文の概要: Predicting Osteoarthritis Progression in Radiographs via Unsupervised
Representation Learning
- arxiv url: http://arxiv.org/abs/2111.11439v1
- Date: Mon, 22 Nov 2021 13:11:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-25 09:54:03.077399
- Title: Predicting Osteoarthritis Progression in Radiographs via Unsupervised
Representation Learning
- Title(参考訳): 教師なし表現学習によるX線写真における関節炎進展予測
- Authors: Tianyu Han, Jakob Nikolas Kather, Federico Pedersoli, Markus
Zimmermann, Sebastian Keil, Maximilian Schulze-Hagen, Marc Terwoelbeck, Peter
Isfort, Christoph Haarburger, Fabian Kiessling, Volkmar Schulz, Christiane
Kuhl, Sven Nebelung, and Daniel Truhn
- Abstract要約: 変形性関節症 (OA) は, 人口のかなりの割合, 主に高齢者の関節症である。
個人的および社会経済的負担にもかかわらず、OAの発症と進行は確実に予測できない。
膝関節X線写真に基づくOAの今後の発展を予測するための生成モデルに基づく教師なし学習手法を提案する。
- 参考スコア(独自算出の注目度): 2.694774938469758
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Osteoarthritis (OA) is the most common joint disorder affecting substantial
proportions of the global population, primarily the elderly. Despite its
individual and socioeconomic burden, the onset and progression of OA can still
not be reliably predicted. Aiming to fill this diagnostic gap, we introduce an
unsupervised learning scheme based on generative models to predict the future
development of OA based on knee joint radiographs. Using longitudinal data from
osteoarthritis studies, we explore the latent temporal trajectory to predict a
patient's future radiographs up to the eight-year follow-up visit. Our model
predicts the risk of progression towards OA and surpasses its supervised
counterpart whose input was provided by seven experienced radiologists. With
the support of the model, sensitivity, specificity, positive predictive value,
and negative predictive value increased significantly from 42.1% to 51.6%, from
72.3% to 88.6%, from 28.4% to 57.6%, and from 83.9% to 88.4%, respectively,
while without such support, radiologists performed only slightly better than
random guessing. Our predictive model improves predictions on OA onset and
progression, despite requiring no human annotation in the training phase.
- Abstract(参考訳): 変形性関節症 (OA) は, 人口のかなりの割合, 主に高齢者の関節症である。
個人的および社会経済的負担にもかかわらず、OAの発症と進行は確実に予測できない。
この診断ギャップを埋めるため,膝関節X線写真に基づくOAの今後の発展を予測するために,生成モデルに基づく教師なし学習手法を導入する。
変形性関節症研究の縦断的データを用いて,8年間の来院までの予後予測のための潜時的軌跡について検討した。
本モデルでは, OA に対する進行のリスクを予測し, 経験者7名による入力を監督対象に超えている。
モデルのサポートにより、感度、特異性、正の予測値、負の予測値が42.1%から51.6%に、72.3%から88.6%に、28.4%から57.6%に、そして83.9%から88.4%に増加した。
我々の予測モデルは、トレーニング段階で人間のアノテーションを必要としないにもかかわらず、OAの開始と進行の予測を改善する。
関連論文リスト
- Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6~36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳(メタデータ) (2024-03-11T17:26:18Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - 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) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳(メタデータ) (2023-04-18T18:15:38Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳(メタデータ) (2022-12-13T19:06:00Z) - Opportunistic hip fracture risk prediction in Men from X-ray: Findings
from the Osteoporosis in Men (MrOS) Study [0.7340017786387765]
骨粗しょう症は骨折のリスクを増大させる一般的な疾患である。
特に高齢者の股関節骨折は、死亡率の上昇、生活の質の低下、死亡率の上昇につながる。
骨折前は無症候性疾患であったため、骨粗しょう症は診断されず、治療を受けていないことが多い。
論文 参考訳(メタデータ) (2022-07-22T09:35:48Z) - Assessing the Performance of Automated Prediction and Ranking of Patient
Age from Chest X-rays Against Clinicians [4.795478287106675]
深層学習は、胸部X線から患者の年齢を正確に推定することを可能にしている。
本稿では,放射線科医と最先端のディープラーニングモデルの比較研究について述べる。
我々は,脳卒中患者の年齢による1.8M胸部X線の異種データベースを用いてモデルを訓練し,モデル精度の限界について検討した。
論文 参考訳(メタデータ) (2022-07-04T10:09:48Z) - The leap to ordinal: functional prognosis after traumatic brain injury
using artificial intelligence [1.4887102120051716]
TBIの結果はGlasgow Outcome Scale-Extended (GOSE)によって8つに分類される。
既存のICU予測モデルは、GOSEの一定の閾値でバイナリ結果を予測する。
各GOSEスコアの確率を同時に予測する順序予測モデルを開発した。
論文 参考訳(メタデータ) (2022-02-10T02:29:19Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2020-02-06T16:39:44Z)
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。