論文の概要: Deep Normed Embeddings for Patient Representation
- arxiv url: http://arxiv.org/abs/2204.05477v1
- Date: Tue, 12 Apr 2022 02:02:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 03:50:17.203012
- Title: Deep Normed Embeddings for Patient Representation
- Title（参考訳）: 患者表現のための深い規範埋め込み
- Authors: Thesath Nanayakkara, Gilles Clermont, Christopher James Langmead,
David Swigon
- Abstract要約: 本稿では,新しいコントラスト表現学習目標と臨床時系列のトレーニングスキームを紹介する。
学習した埋め込みは、オンライン患者のモニタリング、臨床医の補充、下流機械学習タスクのパフォーマンス向上にどのように利用できるかを示す。
- 参考スコア（独自算出の注目度）: 0.1310865248866973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel contrastive representation learning objective and a
training scheme for clinical time series. Specifically, we project high
dimensional E.H.R. data to a closed unit ball of low dimension, encoding
geometric priors so that the origin represents an idealized perfect health
state and the euclidean norm is associated with the patient's mortality risk.
Moreover, using septic patients as an example, we show how we could learn to
associate the angle between two vectors with the different organ system
failures, thereby, learning a compact representation which is indicative of
both mortality risk and specific organ failure. We show how the learned
embedding can be used for online patient monitoring, supplement clinicians and
improve performance of downstream machine learning tasks. This work was
partially motivated from the desire and the need to introduce a systematic way
of defining intermediate rewards for Reinforcement Learning in critical care
medicine. Hence, we also show how such a design in terms of the learned
embedding can result in qualitatively different policies and value
distributions, as compared with using only terminal rewards.
- Abstract（参考訳）: 本稿では,新しいコントラスト表現学習目標と臨床時系列の訓練方式を提案する。
具体的には、高次元のe.h.r.データを低次元の閉単位球に投影し、原点が理想化された完全な健康状態を表し、ユークリッドノルムが患者の死亡リスクと関連付けられるように幾何学的事前を符号化する。
さらに, 敗血症患者を例として, 2つのベクター間の角度を異なる臓器系の障害と結びつける方法について検討し, 死亡リスクと特定の臓器不全の両方を示すコンパクト表現を学習した。
オンライン患者のモニタリング、臨床医の補足、ダウンストリーム機械学習タスクのパフォーマンス向上に、学習埋め込みがいかに役立つかを示す。
この研究は、医療における強化学習の中間報酬を定義する体系的な方法を導入する必要性と欲求から部分的に動機づけられた。
したがって、学習した埋め込みの観点からそのような設計が、端末報酬のみを使用する場合と比較して質的に異なるポリシーや価値分布をもたらすことを示す。
関連論文リスト
- ConPro: Learning Severity Representation for Medical Images using Contrastive Learning and Preference Optimization [30.31270613973337]
本稿では,医療画像における重度評価のための表現学習手法であるCon-PrOを提案する。
提案する表現学習フレームワークは,機能領域において重要な重大度順序付けを提供する。
また、重症度指標と医療領域における嗜好比較の適用性についても検討した。
論文 参考訳（メタデータ） (2024-04-29T16:16:42Z) - Embracing Uncertainty Flexibility: Harnessing a Supervised Tree Kernel
to Empower Ensemble Modelling for 2D Echocardiography-Based Prediction of
Right Ventricular Volume [0.5492530316344587]
右室機能低下は,多くの状況において臨床効果を強く予測する。
本稿では,不確実性スコアによるボリューム予測を補完する手法を提案する。
提案手法は意思決定プロセスの強化とリスク低減に有効である。
論文 参考訳（メタデータ） (2024-03-04T12:36:31Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - A Novel Information-Theoretic Objective to Disentangle Representations
for Fair Classification [46.884905701771004]
そのような非絡み合った表現に対する主な応用の1つは、公平な分類である。
我々は、この問題の情報理論的視点を採用し、レギュレータの新しいファミリーを動機付けている。
結果として得られた損失はCLINICと呼ばれ、パラメータフリーである。
論文 参考訳（メタデータ） (2023-10-21T12:35:48Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳（メタデータ） (2023-10-04T21:57:09Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳（メタデータ） (2023-08-24T05:26:56Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - A Novel Tropical Geometry-based Interpretable Machine Learning Method:
Application in Prognosis of Advanced Heart Failure [4.159216572695661]
臨床診断支援システムなどの多くの実用化には,モデルの解釈可能性が不可欠である。
人間の理解可能なルールにおける入力変数と応答の関係をモデル化する,新しい解釈可能な機械学習手法を提案する。
論文 参考訳（メタデータ） (2021-12-09T17:53:12Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z)
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。