Fugu-MT 論文翻訳(概要): MTCSNN: Multi-task Clinical Siamese Neural Network for Diabetic Retinopathy Severity Prediction

論文の概要: MTCSNN: Multi-task Clinical Siamese Neural Network for Diabetic Retinopathy Severity Prediction

arxiv url: http://arxiv.org/abs/2208.06917v1
Date: Sun, 14 Aug 2022 20:55:13 GMT
ステータス: 処理完了
システム内更新日: 2022-08-16 13:57:05.037228
Title: MTCSNN: Multi-task Clinical Siamese Neural Network for Diabetic Retinopathy Severity Prediction
Title（参考訳）: MTCSNN:糖尿病網膜症重症度予測のためのマルチタスク臨床シームスニューラルネットワーク
Authors: Chao Feng, Jui Po Hung, Aishan Li, Jieping Yang, Xinyu Zhang
Abstract要約: 本稿では,糖尿病網膜症重症度予測タスクのためのマルチタスク臨床シームスニューラルネットワークMTCSNNを提案する。本プロジェクトの新規性は,ラベル間の順序情報の活用と新たな回帰タスクの追加であり,より詳細な分類タスクに対する識別的特徴埋め込みの学習を支援する。この結果から,MTCSNNはAUCおよびテストデータセットの精度でベンチマークモデルより優れていたことが示唆された。
参考スコア（独自算出の注目度）: 13.7701794591862
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diabetic Retinopathy (DR) has become one of the leading causes of vision impairment in working-aged people and is a severe problem worldwide. However, most of the works ignored the ordinal information of labels. In this project, we propose a novel design MTCSNN, a Multi-task Clinical Siamese Neural Network for Diabetic Retinopathy severity prediction task. The novelty of this project is to utilize the ordinal information among labels and add a new regression task, which can help the model learn more discriminative feature embedding for fine-grained classification tasks. We perform comprehensive experiments over the RetinaMNIST, comparing MTCSNN with other models like ResNet-18, 34, 50. Our results indicate that MTCSNN outperforms the benchmark models in terms of AUC and accuracy on the test dataset.
Abstract（参考訳）: 糖尿病網膜症(DR)は、高齢者の視覚障害の主要な原因の一つとなり、世界中で深刻な問題となっている。しかし、ほとんどの作品はラベルの順序情報を無視した。そこで本研究では,糖尿病網膜症重症度予測タスクのための多タスク臨床用シアムニューラルネットmtcsnnを提案する。本プロジェクトの新規性は,ラベル間の順序情報の活用と新たな回帰タスクの追加であり,より詳細な分類タスクに対する識別的特徴埋め込みの学習を支援する。 MTCSNNをResNet-18, 34, 50などの他のモデルと比較し, RetinaMNISTの包括的な実験を行った。その結果,MTCSNNはAUCおよびテストデータセットの精度でベンチマークモデルより優れていた。

関連論文リスト

GARNN: An Interpretable Graph Attentive Recurrent Neural Network for Predicting Blood Glucose Levels via Multivariate Time Series [12.618792803757714]
マルチモーダルデータをモデル化するための解釈可能なグラフ減衰ニューラルネットワーク(GARNN)を提案する。 GARNNは最高の予測精度を達成し、高品質な時間的解釈性を提供する。これらの知見は糖尿病治療改善のための堅牢なツールとしてのGARNNの可能性を示している。
論文参考訳（メタデータ） (2024-02-26T01:18:53Z)
Neural scaling laws for phenotypic drug discovery [3.076170146656896]
小型分子の薬物発見を支援するモデルに、スケールが同様の影響を与えるかどうかを考察する。我々は、Pheno-CAのタスクを明示的に教師するDNNが、データとモデルサイズがスケールアップされるにつれて、継続的に改善されないことを発見した。我々は,NLPで成功した因果的目的関数に類似した新しい前駆的タスクである逆生物学プロセス(Inverse Biological Process, IBP)を導入する。
論文参考訳（メタデータ） (2023-09-28T18:10:43Z)
Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
論文参考訳（メタデータ） (2023-05-02T22:15:54Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
論文参考訳（メタデータ） (2022-10-28T18:58:34Z)
Investigating the Predictive Reproducibility of Federated Graph Neural Networks using Medical Datasets [0.0]
本稿では、医用画像と脳接続データセットの分類に応用したフェデレーションGNNモデルの適用について検討する。我々は,これらの医学的学習課題において,連合学習がGNNモデルの精度と精度を高めることを示した。
論文参考訳（メタデータ） (2022-09-13T14:32:03Z)
N-Omniglot: a Large-scale Neuromorphic Dataset for Spatio-Temporal Sparse Few-shot Learning [10.812738608234321]
我々は、Dynamic Vision Sensor (DVS)を用いて、最初のニューロモルフィックデータセット、N-Omniglotを提供する。 1623種類の手書き文字が含まれており、クラスごとに20のサンプルしか持たない。このデータセットは、数ショットの学習領域でSNNアルゴリズムを開発するための強力なチャレンジと適切なベンチマークを提供する。
論文参考訳（メタデータ） (2021-12-25T12:41:34Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)
DRDr: Automatic Masking of Exudates and Microaneurysms Caused By Diabetic Retinopathy Using Mask R-CNN and Transfer Learning [2.0559497209595823]
我々は,畳み込みニューラルネットワーク(CNN)とトランスファーラーニングを用いて,高品質なセグメンテーションマスクの探索と生成を行っている。我々はe-ophtha EXとe-ophtha MAから正規化されたデータベースを作成し、Mask R-CNNを調整して小さな病変を検出する。本モデルは, 臨床医や眼科医が悪名高いDRを検出・治療する過程において, 有望なmAPである0.45を達成できることを示す。
論文参考訳（メタデータ） (2020-07-04T07:20:03Z)

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。