論文の概要: Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis

• arxiv url: http://arxiv.org/abs/2207.11581v2
• Date: Sun, 10 Sep 2023 22:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 23:22:36.561841
• Title: Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis
• Title（参考訳）: 心エコー画像の自己教師付きコントラスト学習による心筋疾患診断
• Authors: Gregory Holste, Evangelos K. Oikonomou, Bobak J. Mortazavi, Zhangyang Wang, Rohan Khera
• Abstract要約: 心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
• 参考スコア（独自算出の注目度）: 48.64462717254158
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Advances in self-supervised learning (SSL) have shown that self-supervised pretraining on medical imaging data can provide a strong initialization for downstream supervised classification and segmentation. Given the difficulty of obtaining expert labels for medical image recognition tasks, such an "in-domain" SSL initialization is often desirable due to its improved label efficiency over standard transfer learning. However, most efforts toward SSL of medical imaging data are not adapted to video-based medical imaging modalities. With this progress in mind, we developed a self-supervised contrastive learning approach, EchoCLR, catered to echocardiogram videos with the goal of learning strong representations for efficient fine-tuning on downstream cardiac disease diagnosis. EchoCLR leverages (i) distinct videos of the same patient as positive pairs for contrastive learning and (ii) a frame re-ordering pretext task to enforce temporal coherence. When fine-tuned on small portions of labeled data (as few as 51 exams), EchoCLR pretraining significantly improved classification performance for left ventricular hypertrophy (LVH) and aortic stenosis (AS) over other transfer learning and SSL approaches across internal and external test sets. For example, when fine-tuning on 10% of available training data (519 studies), an EchoCLR-pretrained model achieved 0.72 AUROC (95% CI: [0.69, 0.75]) on LVH classification, compared to 0.61 AUROC (95% CI: [0.57, 0.64]) with a standard transfer learning approach. Similarly, using 1% of available training data (53 studies), EchoCLR pretraining achieved 0.82 AUROC (95% CI: [0.79, 0.84]) on severe AS classification, compared to 0.61 AUROC (95% CI: [0.58, 0.65]) with transfer learning. EchoCLR is unique in its ability to learn representations of medical videos and demonstrates that SSL can enable label-efficient disease classification from small, labeled datasets.
• Abstract（参考訳）: 自己教師付き学習(ssl)の進歩は、医療画像データに対する自己教師付き事前訓練が下流教師付き分類とセグメント化の強力な初期化をもたらすことを示した。 医用画像認識タスクのエキスパートラベル取得が困難であるため、標準転送学習よりもラベル効率が向上するため、"ドメイン内"ssl初期化が望ましいことが多い。 しかし,医療画像データのSSL化への取り組みの大部分は,ビデオベースの医療画像モダリティに適応していない。 この進歩を念頭に、下流心疾患の診断を効率的に微調整するための強力な表現を学習することを目的として、心エコービデオに対応した自己教師付きコントラスト学習手法、EchoCLRを開発した。 EchoCLRが活用 (i)コントラスト学習のための正のペアと同一患者の異なるビデオ (ii)時間的コヒーレンスを強制するプレテキストタスクをフレームで並べ替える。 ラベル付きデータの一部(51試験まで)を微調整すると,エコーCLRプレトレーニングにより,左室肥大 (LVH) と大動脈狭窄 (AS) の分類性能が,他の移行学習およびSSLアプローチよりも有意に向上した。 例えば、利用可能なトレーニングデータ(519の研究)の10%を微調整すると、EchoCLRが事前訓練したモデルは、標準転送学習アプローチによる0.61 AUROC (95% CI: [0.57, 0.64])と比較して、LVH分類において0.72 AUROC (95% CI: [0.69, 0.75])を達成した。 同様に、利用可能なトレーニングデータ(53研究)の1%を使用して、EchoCLRプレトレーニングは、厳密なAS分類において 0.82 AUROC (95% CI: [0.79, 0.84])を達成し、転送学習では 0.61 AUROC (95% CI: [0.58, 0.65]) を達成した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。

関連論文リスト

• 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。