論文の概要: On Merging Feature Engineering and Deep Learning for Diagnosis,
Risk-Prediction and Age Estimation Based on the 12-Lead ECG
- arxiv url: http://arxiv.org/abs/2207.06096v1
- Date: Wed, 13 Jul 2022 10:09:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 15:27:47.761667
- Title: On Merging Feature Engineering and Deep Learning for Diagnosis,
Risk-Prediction and Age Estimation Based on the 12-Lead ECG
- Title（参考訳）: 12誘導心電図に基づく診断・予測・年齢推定のための特徴工学と深層学習の融合について
- Authors: Eran Zvuloni, Jesse Read, Ant\^onio H. Ribeiro, Antonio Luiz P.
Ribeiro and Joachim A. Behar
- Abstract要約: 機械学習技術は、12誘導心電図(ECG)解析に広く用いられている。
生理的時系列では、ドメイン知識に基づく特徴工学(FE)アプローチよりも深層学習(DL)の方が優れていることは、未解決の問題である。
心臓不整脈診断(マルチクラス・マルチラベル分類)、心房細動リスク予測(バイナリ分類)、年齢推定(回帰)の3つの課題を検討した。
- 参考スコア（独自算出の注目度）: 1.0394615068526505
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Objective: Machine learning techniques have been used extensively for 12-lead
electrocardiogram (ECG) analysis. For physiological time series, deep learning
(DL) superiority to feature engineering (FE) approaches based on domain
knowledge is still an open question. Moreover, it remains unclear whether
combining DL with FE may improve performance. Methods: We considered three
tasks intending to address these research gaps: cardiac arrhythmia diagnosis
(multiclass-multilabel classification), atrial fibrillation risk prediction
(binary classification), and age estimation (regression). We used an overall
dataset of 2.3M 12-lead ECG recordings to train the following models for each
task: i) a random forest taking the FE as input was trained as a classical
machine learning approach; ii) an end-to-end DL model; and iii) a merged model
of FE+DL. Results: FE yielded comparable results to DL while necessitating
significantly less data for the two classification tasks and it was
outperformed by DL for the regression task. For all tasks, merging FE with DL
did not improve performance over DL alone. Conclusion: We found that for
traditional 12-lead ECG based diagnosis tasks DL did not yield a meaningful
improvement over FE, while it improved significantly the nontraditional
regression task. We also found that combining FE with DL did not improve over
DL alone which suggests that the FE were redundant with the features learned by
DL. Significance: Our findings provides important recommendations on what
machine learning strategy and data regime to chose with respect to the task at
hand for the development of new machine learning models based on the 12-lead
ECG.
- Abstract（参考訳）: 目的:12誘導心電図(ECG)解析に機械学習技術が広く用いられている。
生理的時系列では、ドメイン知識に基づく特徴工学(FE)アプローチよりも深層学習(DL)の方が優れていることは、未解決の問題である。
さらに、DLとFEを組み合わせることで性能が向上するかどうかは不明だ。
方法: 心臓不整脈診断(マルチクラス・マルチラベル分類), 心房細動リスク予測(バイナリ分類), 年齢推定(回帰)の3つの課題を検討した。
我々は、タスク毎に以下のモデルをトレーニングするために、2.3Mの12リードECGレコードのデータセットを使用した。
一 FEを入力とするランダムな森林が古典的な機械学習の手法として訓練されたこと。
二 エンドツーエンドのDLモデル及び
三 FE+DLの合併モデル
結果: FEは2つの分類タスクにおいて有意に少ないデータを必要としながら, DLと同等の結果を得た。
すべてのタスクにおいて、FEとDLをマージしても、DLよりもパフォーマンスは向上しなかった。
結論: 従来の12段階の心電図に基づく診断では, DLはFEよりも有意な改善は得られなかったが, 非古典的回帰課題は有意に改善した。
また, FEとDLの併用は, DLだけでは改善せず, FEはDLが学習した特徴と重複していたことが示唆された。
意義:本研究は12誘導心電図に基づく新しい機械学習モデルの開発に向けた課題について,機械学習戦略とデータレジームが選択すべき課題について重要な推奨事項を提供する。
関連論文リスト
- Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。
我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。
LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
論文 参考訳（メタデータ） (2024-04-10T09:48:52Z) - Riemannian Prediction of Anatomical Diagnoses in Congenital Heart
Disease based on 12-lead ECGs [2.090217662115913]
先天性心疾患(英: Congenital heart disease、CHD)は、出生時の患者に影響を及ぼし、非常に異質な解剖学的、機能的欠陥をもたらす比較的稀な疾患である。
12誘導ECGシグナルは、疾患予後のための重要なバイオマーカーを提供するため、CHD患者で定期的に収集される。
論文 参考訳（メタデータ） (2023-11-27T13:40:27Z) - A Multi-View Learning Approach to Enhance Automatic 12-Lead ECG
Diagnosis Performance [0.240137930000971]
本研究は,従来の12誘導心電図診断法よりも高い性能を実現するために,ECG拡張技術を用いたアンサンブルに基づく多視点学習手法を提案する。
提案モデルでは,F1スコアが0.840であり,文献における既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2022-07-30T23:43:01Z) - Mythological Medical Machine Learning: Boosting the Performance of a
Deep Learning Medical Data Classifier Using Realistic Physiological Models [0.0]
PTSDにより,T-wave Alternans (TWA) を含む人工心電図を180,000個生成した。
7万人以上の患者に25種類のリズムを分類するよう訓練されたディープニューラルネットワーク(DNN)は、出力層をバイナリクラスに修正した。
最も優れた手法は、事前訓練された不整脈DNN、人工データ、およびPTSD関連心電図データを用いて、両方の転送学習ステップを実行することで見出された。
論文 参考訳（メタデータ） (2021-12-28T17:55:37Z) - Performance or Trust? Why Not Both. Deep AUC Maximization with
Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。
本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
論文 参考訳（メタデータ） (2021-12-14T21:16:52Z) - Improving the efficacy of Deep Learning models for Heart Beat detection
on heterogeneous datasets [0.0]
ヘテロジニアスデータセットにディープラーニングモデルを適用する際の問題点について検討する。
本研究では,健常者からのデータに基づいてトレーニングしたモデルの性能が,心疾患患者に適用した場合に低下することを示す。
次に、異なるデータセットにモデルを適応させるためのTransfer Learningの使用を評価します。
論文 参考訳（メタデータ） (2021-10-26T14:26:55Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Interpretable Deep Learning for Automatic Diagnosis of 12-lead
Electrocardiogram [15.464768773761527]
12誘導心電図記録における心不整脈のマルチラベル分類のためのディープニューラルネットワークを開発した。
提案モデルでは、受信機動作特性曲線(AUC)0.970、F1スコア0.813の平均領域を達成した。
最も優れたリードは、12のリードのうち、リードI、aVR、V5である。
論文 参考訳（メタデータ） (2020-10-20T14:51:00Z) - ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed
Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。
セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。
このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文 参考訳（メタデータ） (2020-05-11T16:29:12Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳（メタデータ） (2019-12-28T02:44:29Z)
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。