論文の概要: Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation
- arxiv url: http://arxiv.org/abs/2202.12598v1
- Date: Fri, 25 Feb 2022 10:30:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-28 14:33:39.568287
- Title: Bridging the Gap Between Patient-specific and Patient-independent
Seizure Prediction via Knowledge Distillation
- Title(参考訳): 知識蒸留による患者別と患者非依存の精液予測のギャップを埋める
- Authors: Di Wu, Jie Yang, and Mohamad Sawan
- Abstract要約: 既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
- 参考スコア(独自算出の注目度): 7.2666838978096875
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective. Deep neural networks (DNN) have shown unprecedented success in
various brain-machine interface (BCI) applications such as epileptic seizure
prediction. However, existing approaches typically train models in a
patient-specific fashion due to the highly personalized characteristics of
epileptic signals. Therefore, only a limited number of labeled recordings from
each subject can be used for training. As a consequence, current DNN based
methods demonstrate poor generalization ability to some extent due to the
insufficiency of training data. On the other hand, patient-independent models
attempt to utilize more patient data to train a universal model for all
patients by pooling patient data together. Despite different techniques
applied, results show that patient-independent models perform worse than
patient-specific models due to high individual variation across patients. A
substantial gap thus exists between patient-specific and patient-independent
models. In this paper, we propose a novel training scheme based on knowledge
distillation which makes use of a large amount of data from multiple subjects.
It first distills informative features from signals of all available subjects
with a pre-trained general model. A patient-specific model can then be obtained
with the help of distilled knowledge and additional personalized data.
Significance. The proposed training scheme significantly improves the
performance of patient-specific seizure predictors and bridges the gap between
patient-specific and patient-independent predictors. Five state-of-the-art
seizure prediction methods are trained on the CHB-MIT sEEG database with our
proposed scheme. The resulting accuracy, sensitivity, and false prediction rate
show that our proposed training scheme consistently improves the prediction
performance of state-of-the-art methods by a large margin.
- Abstract(参考訳): 目的。
ディープニューラルネットワーク(DNN)は、てんかん発作の予測など、様々な脳-機械インタフェース(BCI)アプリケーションで前例のない成功を収めている。
しかし、既存のアプローチは通常、てんかん信号の高度にパーソナライズされた特徴のために患者特有の方法でモデルを訓練する。
そのため、各科目からのラベル付き録音は限られた数しか使用できない。
その結果、現在のDNNベースの手法では、トレーニングデータの不十分さにより、ある程度の一般化能力の低下が示される。
一方,患者に依存しないモデルでは,より多くの患者データを活用し,患者データをプールすることで全患者に普遍的なモデルを訓練しようとする。
その結果,患者に依存しないモデルは,患者間の個人差が大きいため,患者固有のモデルよりも悪い結果が得られた。
したがって、患者固有のモデルと患者に依存しないモデルの間には大きなギャップがある。
本稿では,複数の被験者からの大量のデータを利用した知識蒸留に基づく新しい学習手法を提案する。
まず、事前訓練された一般モデルを用いて、利用可能なすべての対象の信号から情報的特徴を抽出する。
患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。
重要なこと。
提案手法は,患者固有の発作予測器の性能を大幅に向上させ,患者固有の発作予測器と患者非依存予測器のギャップを橋渡しする。
提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
その結果,提案手法の精度,感度,誤予測率により,最先端手法の予測性能が一貫して向上することが示された。
関連論文リスト
- 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) - Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。
生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。
今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文 参考訳(メタデータ) (2022-11-13T01:07:23Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳(メタデータ) (2021-12-01T13:56:27Z) - Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。
集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。
我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-11-16T11:19:02Z) - SANSformers: Self-Supervised Forecasting in Electronic Health Records
with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。
SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。
本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文 参考訳(メタデータ) (2021-08-31T08:23:56Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳(メタデータ) (2021-02-08T10:26:44Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-11-18T23:13:48Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - Language Models Are An Effective Patient Representation Learning
Technique For Electronic Health Record Data [7.260199064831896]
本研究では,自然言語処理技術に触発された患者表現方式により,臨床予測モデルの精度が向上することを示す。
このような患者表現方式は、標準的な基準よりも5つの予測タスクにおいて、3.5%の平均的なAUROCの改善を可能にする。
論文 参考訳(メタデータ) (2020-01-06T22:24:59Z)
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。