Fugu-MT 論文翻訳(概要): Assessing the Performance of Automated Prediction and Ranking of Patient Age from Chest X-rays Against Clinicians

論文の概要: Assessing the Performance of Automated Prediction and Ranking of Patient Age from Chest X-rays Against Clinicians

arxiv url: http://arxiv.org/abs/2207.01302v1
Date: Mon, 4 Jul 2022 10:09:48 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 13:57:43.773401
Title: Assessing the Performance of Automated Prediction and Ranking of Patient Age from Chest X-rays Against Clinicians
Title（参考訳）: 胸部X線検査による臨床医に対する自動予測と患者年齢ランキングの評価
Authors: Matthew MacPherson, Keerthini Muthuswamy, Ashik Amlani, Charles Hutchinson, Vicky Goh, Giovanni Montana
Abstract要約: 深層学習は、胸部X線から患者の年齢を正確に推定することを可能にしている。本稿では,放射線科医と最先端のディープラーニングモデルの比較研究について述べる。我々は,脳卒中患者の年齢による1.8M胸部X線の異種データベースを用いてモデルを訓練し,モデル精度の限界について検討した。
参考スコア（独自算出の注目度）: 4.795478287106675
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Understanding the internal physiological changes accompanying the aging process is an important aspect of medical image interpretation, with the expected changes acting as a baseline when reporting abnormal findings. Deep learning has recently been demonstrated to allow the accurate estimation of patient age from chest X-rays, and shows potential as a health indicator and mortality predictor. In this paper we present a novel comparative study of the relative performance of radiologists versus state-of-the-art deep learning models on two tasks: (a) patient age estimation from a single chest X-ray, and (b) ranking of two time-separated images of the same patient by age. We train our models with a heterogeneous database of 1.8M chest X-rays with ground truth patient ages and investigate the limitations on model accuracy imposed by limited training data and image resolution, and demonstrate generalisation performance on public data. To explore the large performance gap between the models and humans on these age-prediction tasks compared with other radiological reporting tasks seen in the literature, we incorporate our age prediction model into a conditional Generative Adversarial Network (cGAN) allowing visualisation of the semantic features identified by the prediction model as significant to age prediction, comparing the identified features with those relied on by clinicians.
Abstract（参考訳）: 老化に伴う内的生理的変化を理解することは医用画像解釈の重要な側面であり、異常所見を報告する際に期待される変化が基準となる。深層学習は、胸部X線から患者の年齢を正確に推定することを可能にし、健康指標および死亡予測器としての可能性を示している。本稿では,2つの課題における放射線科医と最先端深層学習モデルの比較研究について述べる。 (a)単一の胸部X線から患者の年齢を推定し、 (b)同じ患者の2つの時間分離画像の年齢によるランク付け。基礎真理患者年齢の1.8m胸部x線ヘテロジニアスデータベースを用いてモデルをトレーニングし,限られたトレーニングデータと画像解像度によるモデルの精度の限界を調査し,公開データにおける一般化性能を示す。文献で見られる他の放射線学的報告課題と比較して,これらの年齢予測課題におけるモデルと人間間の大きなパフォーマンスギャップを探索するため,我々の年齢予測モデルを条件付き世代適応ネットワーク(cGAN)に組み込んで,予測モデルで同定された意味的特徴を年齢予測に重要なものとして可視化し,臨床医が依存する特徴と比較した。

関連論文リスト

Estimating the severity of dental and oral problems via sentiment classification over clinical reports [0.8287206589886879]
テキストにおける著者の感情を分析することは、医学や歯科など様々な分野において実用的で有用である。 CNN-LSTMとして知られる畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ネットワークアーキテクチャに基づくディープラーニングモデルを開発した。
論文参考訳（メタデータ） (2024-01-17T14:33:13Z)
A Comparative Analysis of Machine Learning Models for Early Detection of Hospital-Acquired Infections [0.0]
感染リスク指数(IRI)と換気器関連肺炎(VAP)予測モデルを比較した。 IRIモデルはすべてのHAIを予測するために構築され、VAPモデルは人工呼吸器関連肺炎のリスクのある患者を特定する。
論文参考訳（メタデータ） (2023-11-15T19:36:12Z)
Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。このモデルは、患者の2つの異なるコホートからなるデータから学習する。結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文参考訳（メタデータ） (2023-11-13T13:23:31Z)
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)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。今回,最も多い患者,すなわち30日間の寛解率について検討した。
論文参考訳（メタデータ） (2022-11-13T01:07:23Z)
Interpreting County Level COVID-19 Infection and Feature Sensitivity using Deep Learning Time Series Models [1.101002667958165]
本稿では,ディープラーニングを用いてモデル予測のための特徴感度を学習する新しいフレームワークを提案する。テンポラルフュージョントランスを用いた郡レベルの新型コロナウイルス感染予測を行った。次に、Moris Methodを拡張した感度分析を使用して、出力が静的および動的入力機能に対してどれほど感度が高いかを確認します。
論文参考訳（メタデータ） (2022-10-06T23:45:37Z)
Medical Profile Model: Scientific and Practical Applications in Healthcare [1.718235998156457]
本研究は, 患者の病歴を, 病の時間的シーケンスとして提示し, その埋め込みを教師なしで学習する。埋め込みスペースには、一般化された患者プロファイルの作成を可能にする人口統計パラメータが含まれている。このような医療プロファイルモデルのトレーニングは、100万人以上の患者のデータセット上で実施されている。
論文参考訳（メタデータ） (2021-06-21T13:30:43Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。