論文の概要: Self-Supervised Learning of Echocardiogram Videos Enables Data-Efficient Clinical Diagnosis

• arxiv url: http://arxiv.org/abs/2207.11581v1
• Date: Sat, 23 Jul 2022 19:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-07-26 14:37:18.971064
• Title: Self-Supervised Learning of Echocardiogram Videos Enables Data-Efficient Clinical Diagnosis
• Title（参考訳）: 心エコー画像の自己教師あり学習による臨床診断
• Authors: Gregory Holste, Evangelos K. Oikonomou, Bobak Mortazavi, Zhangyang Wang, Rohan Khera
• Abstract要約: 我々は、下流の微調整のための強力な表現を学習することを目的として、心エコービデオに係わる自己教師型学習手法を開発した。 トレーニングデータの1%を微調整すると、最高の自己教師型学習モデルが0.818 AUCを達成する。 また,重度のASを予測する際には,自監督モデルの方が大動脈弁に密接な関係があることが判明した。
• 参考スコア（独自算出の注目度）: 64.92634565950846
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Given the difficulty of obtaining high-quality labels for medical image recognition tasks, there is a need for deep learning techniques that can be adequately fine-tuned on small labeled data sets. Recent advances in self-supervised learning techniques have shown that such an in-domain representation learning approach can provide a strong initialization for supervised fine-tuning, proving much more data-efficient than standard transfer learning from a supervised pretraining task. However, these applications are not adapted to applications to medical diagnostics captured in a video format. With this progress in mind, we developed a self-supervised learning approach catered to echocardiogram videos with the goal of learning strong representations for downstream fine-tuning on the task of diagnosing aortic stenosis (AS), a common and dangerous disease of the aortic valve. When fine-tuned on 1% of the training data, our best self-supervised learning model achieves 0.818 AUC (95% CI: 0.794, 0.840), while the standard transfer learning approach reaches 0.644 AUC (95% CI: 0.610, 0.677). We also find that our self-supervised model attends more closely to the aortic valve when predicting severe AS as demonstrated by saliency map visualizations.
• Abstract（参考訳）: 医用画像認識タスクで高品質なラベルを得るのが難しいため、小さなラベル付きデータセット上で適切に微調整可能なディープラーニング技術が必要となる。 近年の自己教師付き学習技術の進歩により、ドメイン内表現学習アプローチは教師付き微調整の強力な初期化を可能にし、教師付き事前訓練タスクからの標準転送学習よりもはるかにデータ効率が高いことが示されている。 しかし、これらのアプリケーションは、ビデオ形式でキャプチャされた医療診断への応用には適用されない。 この進歩を念頭に置いて,大動脈弁の一般的な危険な疾患である大動脈狭窄症(as)の診断作業において,下流の微調整の強い表現を学習することを目的として,心エコービデオに適応した自己教師付き学習手法を開発した。 トレーニングデータの1%を微調整すると、最高の自己教師型学習モデルは0.818 AUC(95% CI: 0.794, 0.840)、標準転送学習アプローチは0.644 AUC(95% CI: 0.610, 0.677)に達する。 また,saliency map visualizations で示されるような重症度予測では,自己教師付きモデルの方が大動脈弁とより密接な関係にあることが判明した。

関連論文リスト

• Cardiac Output Prediction from Echocardiograms: Self-Supervised Learning with Limited Data [6.297048786887996]
  そこで我々は,SimCLRをベースとした自己教師付き学習(SSL)事前学習戦略を提案し,心エコービデオからCO予測を改善する。 その結果、SSLは過剰適合を軽減し、表現学習を改善し、テストセット上での平均ピアソン相関0.41を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-02-14T18:41:23Z)
• FUGC: Benchmarking Semi-Supervised Learning Methods for Cervical Segmentation [63.7829089874007]
  本稿では,頚椎椎間板断裂における半教師あり学習のための最初のベンチマークであるFetal Ultrasound Grand Challenge (FUGC)を紹介する。 FUGCは、500のトレーニング画像、90の検証画像、300のテスト画像を含む890のTVSイメージのデータセットを提供する。 Dice similarity Coefficient (DSC), Hausdorff Distance (HD), and Runtime (RT), with a weighted combination of 0.4/0.4/0.2。
  論文  参考訳（メタデータ） (2026-01-22T01:34:39Z)
• Large-Scale Pre-training Enables Multimodal AI Differentiation of Radiation Necrosis from Brain Metastasis Progression on Routine MRI [3.291383664051985]
  放射線治療後の腫瘍進展と放射線壊死の鑑別は、脳転移にとって重要な課題である。 従来の教師付き深層学習アプローチは、生検確認の少ない訓練データによって制約される。 自己教師付き学習は、大規模にラベル付けされていない脳転移画像データセットの可用性の増大を活用することで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-11-22T22:44:50Z)
• EchoBench: Benchmarking Sycophancy in Medical Large Vision-Language Models [82.43729208063468]
  医療用LVLM(Large Vision-Language Models)の最近のベンチマークでは、信頼性と安全性を見越して、リーダボードの精度を強調している。 ユーザが提供した情報を非批判的に反響させる傾向のモデルについて検討する。 医療用LVLMの梅毒を系統的に評価するベンチマークであるEchoBenchを紹介する。
  論文  参考訳（メタデータ） (2025-09-24T14:09:55Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Zero-Shot ECG Classification with Multimodal Learning and Test-time Clinical Knowledge Enhancement [10.611952462532908]
  マルチモーダルECG表現学習(MERL)は、テキストプロンプトでゼロショットECG分類を行うことができる。 本稿では,外部の専門知識データベースを利用した臨床知識向上技術(CKEPE)アプローチを提案する。 MERLは、ゼロショット分類における平均75.2%のAUCスコアを(トレーニングデータなしで)達成し、10%の注釈付きトレーニングデータを持つ線形プローブeSSLメソッドよりも3.2%高い。
  論文  参考訳（メタデータ） (2024-03-11T12:28:55Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD classification directly from H&E whole-slide images in colorectal and breast cancer [22.46523830554047]
  ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。 We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
  論文  参考訳（メタデータ） (2021-07-20T11:00:16Z)
• 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)
• Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic Stroke Onset Time [7.024121839235693]
  急性期虚血性脳卒中(AIS)の治療は, 脳卒中発症以降の経過に大きく左右される。 原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されているが、放射線学的評価は読取者間の多様性が高い。 臨床的に検証された閾値に基づいて,MRI拡散系列を利用した深層学習モデルを用いてTSSを分類する。
  論文  参考訳（メタデータ） (2020-11-05T18:28:54Z)
• A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
  臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。 機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
  論文  参考訳（メタデータ） (2020-06-09T21:21:38Z)

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。