論文の概要: RobIn: A Robust Interpretable Deep Network for Schizophrenia Diagnosis
- arxiv url: http://arxiv.org/abs/2203.17085v1
- Date: Thu, 31 Mar 2022 15:01:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-01 16:19:20.315371
- Title: RobIn: A Robust Interpretable Deep Network for Schizophrenia Diagnosis
- Title(参考訳): RobIn: 統合失調症診断のためのロバスト解釈可能なディープネットワーク
- Authors: Daniel Organisciak, Hubert P. H. Shum, Ephraim Nwoye, Wai Lok Woo
- Abstract要約: 統合失調症は、長く複雑な診断プロセスを必要とする重度の精神疾患である。
脳画像データから統合失調症の診断にディープラーニングを応用しようとする試みは、将来性を示しているが、大きなトレーニングと応用のギャップに悩まされている。
我々は、アクセスしやすいデータに焦点をあてて、このトレーニングとアプリケーション間のギャップを減らすことを提案する。
- 参考スコア(独自算出の注目度): 12.180396034315807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Schizophrenia is a severe mental health condition that requires a long and
complicated diagnostic process. However, early diagnosis is vital to control
symptoms. Deep learning has recently become a popular way to analyse and
interpret medical data. Past attempts to use deep learning for schizophrenia
diagnosis from brain-imaging data have shown promise but suffer from a large
training-application gap - it is difficult to apply lab research to the real
world. We propose to reduce this training-application gap by focusing on
readily accessible data. We collect a data set of psychiatric observations of
patients based on DSM-5 criteria. Because similar data is already recorded in
all mental health clinics that diagnose schizophrenia using DSM-5, our method
could be easily integrated into current processes as a tool to assist
clinicians, whilst abiding by formal diagnostic criteria. To facilitate
real-world usage of our system, we show that it is interpretable and robust.
Understanding how a machine learning tool reaches its diagnosis is essential to
allow clinicians to trust that diagnosis. To interpret the framework, we fuse
two complementary attention mechanisms, 'squeeze and excitation' and
'self-attention', to determine global attribute importance and attribute
interactivity, respectively. The model uses these importance scores to make
decisions. This allows clinicians to understand how a diagnosis was reached,
improving trust in the model. Because machine learning models often struggle to
generalise to data from different sources, we perform experiments with
augmented test data to evaluate the model's applicability to the real world. We
find that our model is more robust to perturbations, and should therefore
perform better in a clinical setting. It achieves 98% accuracy with 10-fold
cross-validation.
- Abstract(参考訳): 統合失調症は、長く複雑な診断プロセスを必要とする重度の精神疾患である。
しかし、症状を制御するには早期診断が不可欠である。
近年、深層学習は医学データを分析・解釈するための一般的な方法となっている。
脳画像データから統合失調症の診断にディープラーニングを応用しようとする試みは、将来性を示しているが、大きなトレーニングと応用ギャップに悩まされている - 実験室の研究を現実世界に適用することは困難である。
我々は、容易にアクセス可能なデータに集中することで、トレーニングとアプリケーションのギャップを減らすことを提案する。
DSM-5基準に基づく患者の精神医学的観察のデータセットを収集した。
同様のデータはdsm-5を用いて統合失調症を診断する全ての精神科医に既に記録されているため、正式な診断基準を遵守しながら、臨床医を支援するツールとして現在のプロセスに容易に統合することが可能である。
本システムの実世界利用を容易にするために,解釈可能でロバストであることを示す。
機械学習ツールが診断に達する方法を理解することは、臨床医がその診断を信用するために不可欠である。
この枠組みを解釈するために,2つの相補的注意機構である「スクイーズ」と「自己注意」を融合させ,グローバルな属性の重要性と属性の相互作用性を決定する。
モデルはこれらの重要なスコアを使って意思決定します。
これにより、臨床医は診断の到達方法を理解し、モデルの信頼性を向上させることができる。
機械学習モデルは、しばしば異なるソースのデータへの一般化に苦慮するため、実世界のモデルの適用性を評価するために、拡張テストデータを用いて実験を行う。
我々のモデルは摂動に対してより堅牢であり、臨床環境ではより良い性能を発揮するべきである。
10倍のクロスバリデーションで98%の精度を達成する。
関連論文リスト
- Digital Diagnostics: The Potential Of Large Language Models In Recognizing Symptoms Of Common Illnesses [0.2995925627097048]
本研究は,患者症状を解釈し,一般的な疾患に適合する診断を判定することにより,各モデルの診断能力を評価する。
GPT-4は、医療データに基づくトレーニングの深部および完全な履歴から高い診断精度を示す。
Geminiは、病気のトリアージにおいて重要なツールとして高い精度で実行し、信頼性のあるモデルになる可能性を示している。
論文 参考訳(メタデータ) (2024-05-09T15:12:24Z) - A Foundational Framework and Methodology for Personalized Early and
Timely Diagnosis [84.6348989654916]
本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。
診断過程を概説する決定論的アプローチに基づいている。
機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
論文 参考訳(メタデータ) (2023-11-26T14:42:31Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic
Reinforcement Learning [9.274138493400436]
医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。
これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。
生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
論文 参考訳(メタデータ) (2022-06-08T03:06:16Z) - Multi-confound regression adversarial network for deep learning-based
diagnosis on highly heterogenous clinical data [1.2891210250935143]
我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。
われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。
このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
論文 参考訳(メタデータ) (2022-05-05T18:39:09Z) - "My nose is running.""Are you also coughing?": Building A Medical
Diagnosis Agent with Interpretable Inquiry Logics [80.55587329326046]
本稿では,DSMDの対話マネージャを実装するための,より解釈可能な意思決定プロセスを提案する。
推論を行うために、非常に透明なコンポーネントを持つモデルを考案する。
実験の結果,診断精度は7.7%,10.0%,3.0%向上した。
論文 参考訳(メタデータ) (2022-04-29T09:02:23Z) - EEG functional connectivity and deep learning for automatic diagnosis of
brain disorders: Alzheimer's disease and schizophrenia [0.0]
脳波時系列と深層学習から得られた関係の行列に基づく精神障害の自動診断法を提案する。
我々は,アルツハイマー病と統合失調症の患者を高い精度で分類できることを示した。
論文 参考訳(メタデータ) (2021-10-07T23:26:38Z) - Meta-learning on Spectral Images of Electroencephalogram of
Schizophenics [0.0]
統合失調症 (Schizophrenia) は、思考パターン、知覚、気分、行動の変化を含む複雑な精神疾患である。
神経イメージングと機械学習アルゴリズムの進歩は統合失調症の診断を促進する。
論文 参考訳(メタデータ) (2021-01-27T20:51:25Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Towards Causality-Aware Inferring: A Sequential Discriminative Approach
for Medical Diagnosis [142.90770786804507]
医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。
この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。
本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
論文 参考訳(メタデータ) (2020-03-14T02:05:54Z)
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。