論文の概要: Improving Prediction of Cognitive Performance using Deep Neural Networks
in Sparse Data
- arxiv url: http://arxiv.org/abs/2112.14314v1
- Date: Tue, 28 Dec 2021 22:23:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-31 01:16:56.229382
- Title: Improving Prediction of Cognitive Performance using Deep Neural Networks
in Sparse Data
- Title（参考訳）: 深部ニューラルネットワークによるスパースデータの認知性能予測の改善
- Authors: Sharath Koorathota, Arunesh Mittal, Richard P. Sloan, Paul Sajda
- Abstract要約: MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。
ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
- 参考スコア（独自算出の注目度）: 2.867517731896504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cognition in midlife is an important predictor of age-related mental decline
and statistical models that predict cognitive performance can be useful for
predicting decline. However, existing models struggle to capture complex
relationships between physical, sociodemographic, psychological and mental
health factors that effect cognition. Using data from an observational, cohort
study, Midlife in the United States (MIDUS), we modeled a large number of
variables to predict executive function and episodic memory measures. We used
cross-sectional and longitudinal outcomes with varying sparsity, or amount of
missing data. Deep neural network (DNN) models consistently ranked highest in
all of the cognitive performance prediction tasks, as assessed with root mean
squared error (RMSE) on out-of-sample data. RMSE differences between DNN and
other model types were statistically significant (T(8) = -3.70; p < 0.05). The
interaction effect between model type and sparsity was significant (F(9)=59.20;
p < 0.01), indicating the success of DNNs can partly be attributed to their
robustness and ability to model hierarchical relationships between
health-related factors. Our findings underscore the potential of neural
networks to model clinical datasets and allow better understanding of factors
that lead to cognitive decline.
- Abstract（参考訳）: ミドルライフにおける認知は、年齢関連精神低下の重要な予測因子であり、認知能力を予測する統計モデルは、低下を予測するのに有用である。
しかし、既存のモデルは認知に影響を及ぼす身体的、社会的な、心理的、精神的な健康要因の間の複雑な関係を捉えるのに苦労している。
MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ関数とエピソード記憶測定値を予測するために,多数の変数をモデル化した。
間隔の異なる断面的および縦断的な結果,あるいは欠落データ量を用いて検討した。
deep neural network(dnn)モデルは、サンプルデータ上でルート平均二乗誤差(rmse)によって評価されるように、認知パフォーマンス予測タスクの中で一貫して最高にランク付けされている。
DNNと他のモデルとのRMSE差は統計的に有意であった(T(8) = -3.70; p < 0.05)。
F(9)=59.20; p < 0.01) は、DNNの成功は、その堅牢性と健康関連因子間の階層的関係をモデル化する能力に起因すると考えられる。
本研究は、臨床データセットをモデル化するニューラルネットワークの可能性を強調し、認知的低下を引き起こす要因をよりよく理解する。
関連論文リスト
- Cognitive Networks and Performance Drive fMRI-Based State Classification Using DNN Models [0.0]
我々は、個々の認知状態を分類するために、構造的に異なる2つのDNNモデルと相補的なDNNモデルを用いる。
アーキテクチャ上の違いにもかかわらず、両者のモデルが常に予測精度と個人の認知性能との間に堅牢な関係を生んでいることを示す。
論文 参考訳（メタデータ） (2024-08-14T15:25:51Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Towards a Transportable Causal Network Model Based on Observational
Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。
このモデルは、患者の2つの異なるコホートからなるデータから学習する。
結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文 参考訳（メタデータ） (2023-11-13T13:23:31Z) - 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) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Transferability of coVariance Neural Networks and Application to
Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。
我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。
VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文 参考訳（メタデータ） (2023-05-02T22:15:54Z) - Analyzing Effects of Mixed Sample Data Augmentation on Model
Interpretability [15.078314022161237]
モデルの学習における解釈可能性とデータ拡張戦略の関係について検討する。
実験により、混合サンプルデータ拡張で訓練されたモデルは、解釈可能性の低下を示すことが示された。
論文 参考訳（メタデータ） (2023-03-26T03:01:39Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - Interpretable Additive Recurrent Neural Networks For Multivariate
Clinical Time Series [4.125698836261585]
本稿では,モデル内の変数間の関係を加法的に強制することで,モデルの複雑性と精度のバランスをとるInterpretable-RNN(I-RNN)を提案する。
I-RNNは、時間内に不均一にサンプリングされ、非同期に取得され、データが欠落している臨床時系列の特徴を特に捉えている。
本研究は,院内死亡率予測のためのPhysoronet 2012 ChallengeデータセットのI-RNNモデルと,集中治療室における血行動態の介入を予測するリアルな臨床診断支援タスクについて評価する。
論文 参考訳（メタデータ） (2021-09-15T22:30:19Z) - 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) - Hi-CI: Deep Causal Inference in High Dimensions [23.588253984635987]
因果効果を推定するためのディープニューラルネットワーク(DNN)ベースのフレームワークであるHi-CIを提案する。
合成および実世界のNEWSデータセットを用いたHi-CIネットワークの因果効果予測の有効性を実証する。
論文 参考訳（メタデータ） (2020-08-22T15:41:59Z)
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。