論文の概要: Using Deep Learning-based Features Extracted from CT scans to Predict Outcomes in COVID-19 Patients

• arxiv url: http://arxiv.org/abs/2205.05009v1
• Date: Tue, 10 May 2022 16:22:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 20:29:15.727877
• Title: Using Deep Learning-based Features Extracted from CT scans to Predict Outcomes in COVID-19 Patients
• Title（参考訳）: CTスキャンから抽出したDeep Learning-based Featuresを用いたCOVID-19患者の予後予測
• Authors: Sai Vidyaranya Nuthalapati, Marcela Vizcaychipi, Pallav Shah, Piotr Chudzik, Chee Hau Leow, Paria Yousefi, Ahmed Selim, Keiran Tait and Ben Irving
• Abstract要約: Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。 深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。 これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
• 参考スコア（独自算出の注目度）: 0.4841303207359715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 pandemic has had a considerable impact on day-to-day life. Tackling the disease by providing the necessary resources to the affected is of paramount importance. However, estimation of the required resources is not a trivial task given the number of factors which determine the requirement. This issue can be addressed by predicting the probability that an infected patient requires Intensive Care Unit (ICU) support and the importance of each of the factors that influence it. Moreover, to assist the doctors in determining the patients at high risk of fatality, the probability of death is also calculated. For determining both the patient outcomes (ICU admission and death), a novel methodology is proposed by combining multi-modal features, extracted from Computed Tomography (CT) scans and Electronic Health Record (EHR) data. Deep learning models are leveraged to extract quantitative features from CT scans. These features combined with those directly read from the EHR database are fed into machine learning models to eventually output the probabilities of patient outcomes. This work demonstrates both the ability to apply a broad set of deep learning methods for general quantification of Chest CT scans and the ability to link these quantitative metrics to patient outcomes. The effectiveness of the proposed method is shown by testing it on an internally curated dataset, achieving a mean area under Receiver operating characteristic curve (AUC) of 0.77 on ICU admission prediction and a mean AUC of 0.73 on death prediction using the best performing classifiers.
• Abstract（参考訳）: 新型コロナウイルスのパンデミックは日々の生活に大きな影響を与えている。 患者に必要な資源を提供することで、病気に取り組むことは極めて重要である。 しかし,要件を決定する要因の数を考えると,必要なリソースの推定は簡単な作業ではない。 この問題は、感染した患者がICU(Intensive Care Unit)の支援を必要とする確率と、それに影響を与える各要因の重要性を予測することで解決できる。 また、死亡リスクの高い患者を判定する医師を支援するために、死亡確率も算出する。 入院と死亡の両方を決定するため,ctスキャンと電子健康記録(ehr)データから抽出したマルチモーダル特徴を組み合わせる新しい手法を提案する。 深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。 これらの特徴とEHRデータベースから直接読み取ったものを組み合わせて機械学習モデルに入力され、最終的には患者結果の確率が出力される。 この研究は、胸部CTスキャンの一般的な定量化に幅広いディープラーニング手法を適用する能力と、これらの定量的メトリクスを患者の結果にリンクする能力の両方を示す。 提案手法の有効性は, 内部キュレートされたデータセット上で検証し, ICUの入室予測における受信者動作特性曲線(AUC)平均面積0.77, 最高の動作分類器を用いた死亡予測平均AUC0.73を達成することにより示される。

関連論文リスト

• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• 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)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Cardiovascular Disease Prediction using Recursive Feature Elimination and Gradient Boosting Classification Techniques [0.0]
  本稿では,心疾患の正確な予測を実現するため,RFE-GBアルゴリズムを提案する。 CVDに重要な特徴を持つ患者の健康記録を, 評価のために分析した。
  論文  参考訳（メタデータ） (2021-06-11T16:17:42Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• A hybrid machine learning/deep learning COVID-19 severity predictive model from CT images and clinical data [0.0]
  患者を非icuとicuの2つのカテゴリーに分類するハイブリッド機械学習/深層学習モデルを開発した。 ベースラインCT画像の3次元患者レベルのCNN分類器を特徴抽出器として用いる。 本モデルは,臨床診断を医師に提供し,結果クラスに属する確率スコアと特徴のケースベースSHAPによる解釈を提供することを目的としている。
  論文  参考訳（メタデータ） (2021-05-13T08:39:56Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• 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)

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。