論文の概要: Deep Learning Discovery of Demographic Biomarkers in Echocardiography
- arxiv url: http://arxiv.org/abs/2207.06421v1
- Date: Wed, 13 Jul 2022 16:48:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-15 13:06:07.241485
- Title: Deep Learning Discovery of Demographic Biomarkers in Echocardiography
- Title(参考訳): 心エコー図における生マーカーの深層学習
- Authors: Grant Duffy, Shoa L. Clarke, Matthew Christensen, Bryan He, Neal Yuan,
Susan Cheng, and David Ouyang
- Abstract要約: 深層学習アルゴリズムを用いて、心エコー画像から年齢、人種、性別を予測することができるかどうかを検証する。
年齢、性別、人種を予測するために、ビデオベースの畳み込みニューラルネットワークをトレーニングしました。
ディープラーニングモデルは、人種を確実に予測できず、年齢と性別を識別できることがわかった。
- 参考スコア(独自算出の注目度): 0.3957768262206625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been shown to accurately assess 'hidden' phenotypes and
predict biomarkers from medical imaging beyond traditional clinician
interpretation of medical imaging. Given the black box nature of artificial
intelligence (AI) models, caution should be exercised in applying models to
healthcare as prediction tasks might be short-cut by differences in
demographics across disease and patient populations. Using large
echocardiography datasets from two healthcare systems, we test whether it is
possible to predict age, race, and sex from cardiac ultrasound images using
deep learning algorithms and assess the impact of varying confounding
variables. We trained video-based convolutional neural networks to predict age,
sex, and race. We found that deep learning models were able to identify age and
sex, while unable to reliably predict race. Without considering confounding
differences between categories, the AI model predicted sex with an AUC of 0.85
(95% CI 0.84 - 0.86), age with a mean absolute error of 9.12 years (95% CI 9.00
- 9.25), and race with AUCs ranging from 0.63 - 0.71. When predicting race, we
show that tuning the proportion of a confounding variable (sex) in the training
data significantly impacts model AUC (ranging from 0.57 to 0.84), while in
training a sex prediction model, tuning a confounder (race) did not
substantially change AUC (0.81 - 0.83). This suggests a significant proportion
of the model's performance on predicting race could come from confounding
features being detected by AI. Further work remains to identify the particular
imaging features that associate with demographic information and to better
understand the risks of demographic identification in medical AI as it pertains
to potentially perpetuating bias and disparities.
- Abstract(参考訳): 深層学習は「隠れた」表現型を正確に評価し、従来の臨床医による医療画像の解釈以上の医療画像からバイオマーカーを予測することが示されている。
人工知能(AI)モデルのブラックボックスの性質を考えると、予測タスクが病気と患者人口の人口差によってショートカットされる可能性があるため、医療にモデルを適用する際には注意が必要である。
2つの医療システムから得られた大きな心エコーデータを用いて、深層学習アルゴリズムを用いて、心エコー画像から年齢、人種、性別を予測できるかどうかを検証し、様々な相反変数の影響を評価する。
年齢、性別、人種を予測するために、ビデオベースの畳み込みニューラルネットワークを訓練した。
ディープラーニングモデルは、人種を確実に予測できず、年齢と性別を識別できることがわかった。
カテゴリーの違いを考慮せずに、AIモデルはAUCの性別は0.85(95% CI 0.84 - 0.86)、平均絶対誤差は9.12年(95% CI 9.00 - 9.25)、AUCの人種は0.63 - 0.71と予測した。
レース予測では,学習データ中の共起変数(性)の比率の調整がAUC(0.57~0.84の範囲)に大きく影響し,セックス予測モデルのトレーニングでは,共同設立者(レース)の調整がAUC(0.81~0.83)を大きく変えることはなかった。
これは、aiによって検出される機能を統合することによって、レース予測におけるモデルのパフォーマンスのかなりの割合がもたらされることを示唆している。
さらに、人口統計情報に関連する特定の画像の特徴を特定し、医療AIにおける人口統計学的識別のリスクをよりよく理解するためにも、バイアスや格差が持続する可能性がある。
関連論文リスト
- Demographic Predictability in 3D CT Foundation Embeddings [0.0]
自己組織化基礎モデルはCT画像の符号化に成功している。
これらの埋め込みが年齢、性別、人種などの人口統計情報をキャプチャするかどうかを評価する。
論文 参考訳(メタデータ) (2024-11-28T04:26:39Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳(メタデータ) (2024-04-26T16:39:50Z) - Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience [21.420302408947194]
我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。
本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
論文 参考訳(メタデータ) (2023-08-06T18:05:39Z) - Algorithmic encoding of protected characteristics and its implications
on disparities across subgroups [17.415882865534638]
機械学習モデルは、患者の人種的アイデンティティと臨床結果の間に望ましくない相関関係を拾うことができる。
これらのバイアスがどのようにコード化され、どのように異なるパフォーマンスを減らしたり、取り除いたりするかについては、ほとんど分かっていない。
論文 参考訳(メタデータ) (2021-10-27T20:30:57Z) - Reading Race: AI Recognises Patient's Racial Identity In Medical Images [9.287449389763413]
画像の解釈を行う人間の専門家にとって明らかな、医療画像における人種の相関関係は知られていない。
標準的なディープラーニングモデルは、複数の画像モダリティにまたがる高性能な医療画像から競合を予測するためにトレーニングすることができる。
論文 参考訳(メタデータ) (2021-07-21T21:10:16Z) - IA-GCN: Interpretable Attention based Graph Convolutional Network for
Disease prediction [47.999621481852266]
タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。
臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。
本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
論文 参考訳(メタデータ) (2021-03-29T13:04:02Z) - 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) - Patch-based Brain Age Estimation from MR Images [64.66978138243083]
磁気共鳴画像(MRI)による脳年齢推定は、被験者の生物学的脳年齢と時系列年齢の違いを導出する。
より高年齢の神経変性を早期に検出することは、より良い医療と患者の計画を促進する可能性がある。
我々は、脳の3Dパッチと畳み込みニューラルネットワーク(CNN)を用いて、局所的な脳年齢推定器を開発する新しいディープラーニングアプローチを開発した。
論文 参考訳(メタデータ) (2020-08-29T11:50:37Z) - Risk of Training Diagnostic Algorithms on Data with Demographic Bias [0.5599792629509227]
医用画像解析アプリケーションにおけるMICCAI 2018の実践を調査するために,MICCAI 2018の手順を調査した。
意外なことに、診断に焦点を当てた論文では、使用されるデータセットの人口統計がほとんど書かれていないことが判明した。
本研究では,非偏りのある特徴を,対向的な学習環境において,人口統計変数を明示的に使用することにより学習可能であることを示す。
論文 参考訳(メタデータ) (2020-05-20T13:51:01Z) - Investigating Bias in Deep Face Analysis: The KANFace Dataset and
Empirical Study [67.3961439193994]
現在までに最も包括的で大規模な顔画像とビデオのデータセットを導入している。
データは、アイデンティティ、正確な年齢、性別、親族関係の点で手動で注釈付けされる。
提案したベンチマークでネットワーク埋め込みをデバイアス化する手法を導入し,テストした。
論文 参考訳(メタデータ) (2020-05-15T00:14:39Z) - 1-D Convlutional Neural Networks for the Analysis of Pupil Size
Variations in Scotopic Conditions [79.71065005161566]
1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。
モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
論文 参考訳(メタデータ) (2020-02-06T17:25:37Z)
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。