論文の概要: Multi-confound regression adversarial network for deep learning-based
diagnosis on highly heterogenous clinical data
- arxiv url: http://arxiv.org/abs/2205.02885v1
- Date: Thu, 5 May 2022 18:39:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 01:23:22.485412
- Title: Multi-confound regression adversarial network for deep learning-based
diagnosis on highly heterogenous clinical data
- Title（参考訳）: 深層学習に基づく高度異種性臨床データ診断のためのマルチコンバウンド回帰対向ネットワーク
- Authors: Matthew Leming, Sudeshna Das, Hyungsoon Im
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.2891210250935143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated disease detection in medical images using deep learning holds
promise to improve the diagnostic ability of radiologists, but routinely
collected clinical data frequently contains technical and demographic
confounding factors that differ between hospitals, negatively affecting the
robustness of diagnostic deep learning models. Thus, there is a critical need
for deep learning models that can train on imbalanced datasets without
overfitting to site-specific confounding factors. In this work, we developed a
novel deep learning architecture, MUCRAN (Multi-Confound Regression Adversarial
Network), to train a deep learning model on highly heterogeneous clinical data
while regressing demographic and technical confounding factors. We trained
MUCRAN using 16,821 clinical T1 Axial brain MRIs collected from Massachusetts
General Hospital before 2019 and tested it using post-2019 data to distinguish
Alzheimer's disease (AD) patients, identified using both prescriptions of AD
drugs and ICD codes, from a non-medicated control group. In external validation
tests using MRI data from other hospitals, the model showed a robust
performance of over 90% accuracy on newly collected data. This work shows the
feasibility of deep learning-based diagnosis in real-world clinical data.
- Abstract（参考訳）: 深層学習を用いた医用画像における疾患の自動検出は, 放射線技師の診断能力の向上を約束するが, 日常的に収集される臨床データは, 病院間で異なる技術的・人口的要因を含むことが多く, 診断深層学習モデルの堅牢性に悪影響を及ぼす。
したがって、サイト固有の結合要因に過剰に適合することなく、不均衡なデータセットをトレーニングできるディープラーニングモデルには、重要なニーズがある。
本研究では,高度に異種な臨床データを用いた深層学習モデルを訓練し,人口統計学と技術共生の要因を緩和する,新しい深層学習アーキテクチャmucran(multi-confound regression adversarial network)を開発した。
我々は、2019年以前にマサチューセッツ総合病院から収集された16,821個の臨床T1軸脳MRIを用いてMUCRANを訓練し、2019年以降のデータを用いてアルツハイマー病(AD)患者を鑑別し、AD薬物の処方薬とICDコードの両方を用いて、非医療的なコントロールグループから同定した。
他病院のMRIデータを用いた外部検証試験では、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。
本研究は,実世界臨床データにおける深層学習に基づく診断の可能性を示す。
関連論文リスト
- HIST-AID: Leveraging Historical Patient Reports for Enhanced Multi-Modal Automatic Diagnosis [38.13689106933105]
HIST-AIDは,過去の報告から自動診断精度を高めるフレームワークである。
AUROCは6.56%増加し、AUPRCは9.51%向上した。
論文 参考訳（メタデータ） (2024-11-16T03:20:53Z) - Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis [11.295734491885682]
本研究の目的は、深層学習モデルを用いてMRI画像の分類を行い、アルツハイマー病の異なる段階を同定することである。
実験の結果,Xceptionモデルに基づくディープラーニングフレームワークは,マルチクラスMRI画像分類タスクにおいて99.6%の精度を達成した。
論文 参考訳（メタデータ） (2024-03-24T16:11:27Z) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Medical Diagnosis with Large Scale Multimodal Transformers: Leveraging
Diverse Data for More Accurate Diagnosis [0.15776842283814416]
我々は「学習可能なシナジー」の新しい技術的アプローチを提案する。
我々のアプローチは容易に拡張可能であり、臨床ルーチンからのマルチモーダルデータ入力に自然に適応する。
臨床的に関連のある診断タスクにおいて、最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2022-12-18T20:43:37Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳（メタデータ） (2022-03-24T02:09:41Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - A Dynamic Deep Neural Network For Multimodal Clinical Data Analysis [12.02718865835448]
AdaptiveNetは、異なるイベントの複数のリストを扱うことができる、新しいリカレントニューラルネットワークアーキテクチャである。
慢性関節リウマチにおける疾患進展予測に,スイス臨床品質管理登録簿を用いてアーキテクチャを適用した。
論文 参考訳（メタデータ） (2020-08-14T11:19:32Z) - A Deep Learning Pipeline for Patient Diagnosis Prediction Using
Electronic Health Records [0.5672132510411464]
我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。
複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。
どちらのモデルも高い精度で複数の診断を同時に予測できる。
論文 参考訳（メタデータ） (2020-06-23T14:58:58Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。