論文の概要: Computer-aided diagnosis and prediction in brain disorders
- arxiv url: http://arxiv.org/abs/2206.14683v1
- Date: Wed, 29 Jun 2022 14:39:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 22:52:17.696849
- Title: Computer-aided diagnosis and prediction in brain disorders
- Title（参考訳）: 脳疾患のコンピュータ診断と予測
- Authors: Vikram Venkatraghavan, Sebastian R. van der Voort, Daniel Bos, Marion
Smits, Frederik Barkhof, Wiro J. Niessen, Stefan Klein, Esther E. Bron
- Abstract要約: コンピュータ支援手法は、脳疾患の診断と予測に付加価値を示す。
この章では、メソッドの種類、動作方法、入力データ、それらが提供する出力の種類について、洞察を提供する。
- 参考スコア（独自算出の注目度）: 4.1952343579390226
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer-aided methods have shown added value for diagnosing and predicting
brain disorders and can thus support decision making in clinical care and
treatment planning. This chapter will provide insight into the type of methods,
their working, their input data - such as cognitive tests, imaging and genetic
data - and the types of output they provide. We will focus on specific use
cases for diagnosis, i.e. estimating the current 'condition' of the patient,
such as early detection and diagnosis of dementia, differential diagnosis of
brain tumours, and decision making in stroke. Regarding prediction, i.e.
estimation of the future 'condition' of the patient, we will zoom in on use
cases such as predicting the disease course in multiple sclerosis and
predicting patient outcomes after treatment in brain cancer. Furthermore, based
on these use cases, we will assess the current state-of-the-art methodology and
highlight current efforts on benchmarking of these methods and the importance
of open science therein. Finally, we assess the current clinical impact of
computer-aided methods and discuss the required next steps to increase clinical
impact.
- Abstract（参考訳）: コンピュータ支援手法は脳疾患の診断と予測に付加価値を示しており、臨床医療や治療計画における意思決定を支援することができる。
この章は、メソッドの種類、動作、入力データ(認知テスト、イメージング、遺伝的データなど)、それらが提供するアウトプットの種類についての洞察を提供する。
我々は,認知症早期発見・診断,脳腫瘍の鑑別診断,脳卒中意思決定など,患者の現在の「状態」を推定する特定の症例に焦点を当てる。
予測,すなわち患者の将来の「条件」の推定については,多発性硬化症における疾患経過の予測や脳がん治療後の患者の予後の予測といったユースケースを詳細に検討する。
さらに,これらのユースケースに基づいて,現在の最先端の方法論を評価し,これらの手法のベンチマークとオープンサイエンスの重要性を強調する。
最後に,コンピュータ支援手法の現在の臨床効果を評価し,臨床効果を高めるために必要な次のステップについて議論する。
関連論文リスト
- A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。
モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
論文 参考訳（メタデータ） (2024-07-07T18:02:00Z) - 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) - CPLLM: Clinical Prediction with Large Language Models [0.07083082555458872]
本稿では,臨床疾患に対するLLM(Pre-trained Large Language Model)の微調整と寛容予測を行う手法を提案する。
診断予測には,患者の来訪時に対象疾患と診断されるか,その後に診断されるかを,過去の診断記録を利用して予測する。
提案手法であるCPLLMは,PR-AUCおよびROC-AUCの指標で試験された全てのモデルを上回ることを示した。
論文 参考訳（メタデータ） (2023-09-20T13:24:12Z) - Counterfactual Explanations and Predictive Models to Enhance Clinical
Decision-Making in Schizophrenia using Digital Phenotyping [0.966840768820136]
統合失調症患者の症状の個人的変化を予測・検出・説明できる機械学習システムを提案する。
このシステムは、変更点アルゴリズムを用いて症状の減少を検知し、医療におけるシミュレーションされた継続的監視シナリオにおけるリコースとして反ファクト的説明を用いる。
論文 参考訳（メタデータ） (2023-06-06T19:33:03Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Computational Pathology for Brain Disorders [0.0]
この章は、脳障害のコンテキスト内でスライド画像全体を分析するために使用される最先端の機械学習技術を理解することに焦点を当てている。
我々は、識別的アプローチと脳障害に対する品質結果を提供する、注目すべき機械学習アルゴリズムの選択的セットを提案する。
論文 参考訳（メタデータ） (2023-01-13T14:09:02Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Deep and Statistical Learning in Biomedical Imaging: State of the Art in
3D MRI Brain Tumor Segmentation [1.7403133838762446]
脳画像研究における主要な統計・深層学習モデルとその応用を批判的にレビューする。
その結果、モデル駆動の古典統計とデータ駆動のディープラーニングは、臨床腫瘍学における自動化システムを開発するための強力な組み合わせであることを強調した。
論文 参考訳（メタデータ） (2021-03-09T16:15:47Z) - 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) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z)
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。