論文の概要: Auto-Gait: Automatic Ataxia Risk Assessment with Computer Vision on Gait
Task Videos
- arxiv url: http://arxiv.org/abs/2203.08215v1
- Date: Tue, 15 Mar 2022 19:28:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 13:41:38.414705
- Title: Auto-Gait: Automatic Ataxia Risk Assessment with Computer Vision on Gait
Task Videos
- Title（参考訳）: 自動歩行:コンピュータビジョンによる歩行タスク映像の自動失調リスク評価
- Authors: Wasifur Rahman, Masum Hasan, Md Saiful Islam, Titilayo Olubajo, Jeet
Thaker, Abdelrahman Abdelkader, Phillip Yang, Tetsuo Ashizawa, Ehsan Hoque
- Abstract要約: 脊髄小脳失調症(SCAs)と診断された89名,24名,65名から155本のビデオを収集した。
本研究では,参加者を周囲から分離する手法を開発し,歩幅,歩幅,揺動,安定性,速度などの歩行特性を捉えた。
リスク予測モデルは精度が83.06%、F1スコアが80.23%であり、同様に重大度評価モデルは平均絶対誤差(MAE)スコアが0.6225、ピアソン相関係数スコアが0.7268である。
- 参考スコア（独自算出の注目度）: 3.2268662749172097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we investigated whether we can 1) detect participants with
ataxia-specific gait characteristics (risk-prediction), and 2) assess severity
of ataxia from gait (severity-assessment). We collected 155 videos from 89
participants, 24 controls and 65 diagnosed with (or are pre-manifest)
spinocerebellar ataxias (SCAs), performing the gait task of the Scale for the
Assessment and Rating of Ataxia (SARA) from 11 medical sites located in 8
different states in the United States. We developed a method to separate the
participants from their surroundings and constructed several features to
capture gait characteristics like step width, step length, swing, stability,
speed, etc. Our risk-prediction model achieves 83.06% accuracy and an 80.23% F1
score. Similarly, our severity-assessment model achieves a mean absolute error
(MAE) score of 0.6225 and a Pearson's correlation coefficient score of 0.7268.
Our models still performed competitively when evaluated on data from sites not
used during training. Furthermore, through feature importance analysis, we
found that our models associate wider steps, decreased walking speed, and
increased instability with greater ataxia severity, which is consistent with
previously established clinical knowledge. Our models create possibilities for
remote ataxia assessment in non-clinical settings in the future, which could
significantly improve accessibility of ataxia care. Furthermore, our underlying
dataset was assembled from a geographically diverse cohort, highlighting its
potential to further increase equity. The code used in this study is open to
the public, and the anonymized body pose landmark dataset could be released
upon approval from our Institutional Review Board (IRB).
- Abstract（参考訳）: 本稿では,我々ができるかどうかを考察する。
1)失調症特異的歩行特性(リスク予測)の参加者を検出し、
2)歩行による失調の重症度を評価する。
対象者89名,コントロール24名,プレマニフェスト(プレマニフェスト)の脊髄小脳性失調症(scas)と診断された65名から155本の映像を収集し,米国の8つの州にある11の医療施設からataxia(sara)の評価・評価のための歩行課題を行った。
本研究では,参加者を周囲から分離する手法を開発し,歩幅,歩幅,揺動,安定性,速度などの歩行特性を捉えた。
我々のリスク予測モデルは83.06%の精度と80.23%のF1スコアを達成する。
同様に、重度評価モデルでは平均絶対誤差(MAE)スコアが0.6225、ピアソン相関係数スコアが0.7268となる。
我々のモデルは、トレーニング中に使われていないサイトのデータに基づいて、依然として競争力を発揮しています。
さらに,特徴量分析により,従来の臨床知識と一致し,より広い歩幅,歩行速度の低下,不安定度の増加,運動失調度の増加が確認された。
我々のモデルは、将来、非臨床環境における遠隔失調評価の可能性をもたらし、失調症ケアのアクセシビリティを大幅に改善する可能性がある。
さらに、我々の基盤となるデータセットは、地理的に多様なコホートから集められ、さらに株式を増やす可能性を強調した。
この研究で使用されたコードは一般に公開されており、匿名化されたボディポーズのランドマークデータセットは、我々のInstitutional Review Board(IRB)の承認を得て公開される可能性がある。
関連論文リスト
- Advanced Meta-Ensemble Machine Learning Models for Early and Accurate Sepsis Prediction to Improve Patient Outcomes [0.0]
本報告では, 全身性炎症性反応症候群, 早期警戒スコア, クイックシークエンシャル臓器不全評価など, 従来の敗血症スクリーニングツールの限界について検討する。
本稿では,機械学習技術 - ランダムフォレスト, エクストリームグラディエントブースティング, 決定木モデル - を用いて, セプシスの発症を予測することを提案する。
本研究は,これらのモデルについて,精度,精度,リコール,F1スコア,受信器動作特性曲線の下での領域といった重要な指標を用いて,個別かつ組み合わせたメタアンサンブルアプローチで評価する。
論文 参考訳（メタデータ） (2024-07-11T00:51:32Z) - Enhancing Diagnostic Reliability of Foundation Model with Uncertainty Estimation in OCT Images [41.002573031087856]
光コヒーレンストモグラフィー(OCT)における11個の網膜状態を検出するために,不確実性推定(FMUE)を用いた基礎モデルを開発した。
FMUEは2つの最先端アルゴリズムであるRETFoundとUIOSよりも96.76%高いF1スコアを獲得し、しきい値戦略を98.44%に改善した。
我々のモデルは、F1スコアが高い2人の眼科医(95.17%対61.93% &71.72%)より優れている。
論文 参考訳（メタデータ） (2024-06-18T03:04:52Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Quantifying Impairment and Disease Severity Using AI Models Trained on
Healthy Subjects [27.786240241494436]
Confidence-based chaRacterization of Anomalies (COBRA) スコアは、障害または疾患のある患者に提示された場合、これらのモデルの信頼性の低下を利用する。
脳卒中患者の上半身障害の現在の臨床的評価の鍵となる限界にCOBRAスコアを適用した。
論文 参考訳（メタデータ） (2023-11-21T18:45:52Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Machine Learning Based Analytics for the Significance of Gait Analysis
in Monitoring and Managing Lower Extremity Injuries [0.0]
この研究は、合併症を予測する教師付き機械学習モデルの習熟度に焦点を当てた。
XGBoostはSMOTEの適用前後で最適なモデルであった。
この結果は、整形外科をデータインフォームドアプローチにシフトさせ、患者の結果を向上させるのに役立つ。
論文 参考訳（メタデータ） (2023-09-27T20:12:19Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Weak labels and anatomical knowledge: making deep learning practical for
intracranial aneurysm detection in TOF-MRA [0.0]
我々は、過大な弱いラベルを用いてトレーニングされる、完全に自動化されたディープニューラルネットワークを開発する。
当社のネットワークは、社内データで平均77%の感度を達成し、患者1人当たりの平均False Positive(FP)レートは0.72です。
論文 参考訳（メタデータ） (2021-03-10T16:31:54Z) - 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)
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。