論文の概要: Exploring traditional machine learning for identification of
pathological auscultations
- arxiv url: http://arxiv.org/abs/2209.00672v1
- Date: Thu, 1 Sep 2022 18:03:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:03:28.179379
- Title: Exploring traditional machine learning for identification of
pathological auscultations
- Title(参考訳): 病理診断のための従来の機械学習の探索
- Authors: Haroldas Razvadauskas, Evaldas Vaiciukynas, Kazimieras Buskus, Lukas
Drukteinis, Lukas Arlauskas, Saulius Sadauskas, and Albinas Naudziunas
- Abstract要約: 各種機械学習シナリオにおいて,45例のデジタル6チャンネル聴取を行った。
目的は,正常な肺と異常な肺の音を区別することであった。
監視されていないモデルよりも一貫した優位性を示した。
- 参考スコア(独自算出の注目度): 0.39577682622066246
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Today, data collection has improved in various areas, and the medical domain
is no exception. Auscultation, as an important diagnostic technique for
physicians, due to the progress and availability of digital stethoscopes, lends
itself well to applications of machine learning. Due to the large number of
auscultations performed, the availability of data opens up an opportunity for
more effective analysis of sounds where prognostic accuracy even among experts
remains low. In this study, digital 6-channel auscultations of 45 patients were
used in various machine learning scenarios, with the aim of distinguishing
between normal and anomalous pulmonary sounds. Audio features (such as
fundamental frequencies F0-4, loudness, HNR, DFA, as well as descriptive
statistics of log energy, RMS and MFCC) were extracted using the Python library
Surfboard. Windowing and feature aggregation and concatenation strategies were
used to prepare data for tree-based ensemble models in unsupervised (fair-cut
forest) and supervised (random forest) machine learning settings. The
evaluation was carried out using 9-fold stratified cross-validation repeated 30
times. Decision fusion by averaging outputs for a subject was tested and found
to be useful. Supervised models showed a consistent advantage over unsupervised
ones, achieving mean AUC ROC of 0.691 (accuracy 71.11%, Kappa 0.416, F1-score
0.771) in side-based detection and mean AUC ROC of 0.721 (accuracy 68.89%,
Kappa 0.371, F1-score 0.650) in patient-based detection.
- Abstract(参考訳): 現在、データ収集は様々な分野で改善されており、医療分野も例外ではない。
聴診は、デジタル聴診器の進歩と可用性により、医師にとって重要な診断技術であり、機械学習の応用に有用である。
多数のオーカルトレーションが実施されているため、データの可用性は、専門家の間でも予測精度が低い音をより効果的に分析する機会を開く。
本研究は, 正常と異常な肺音の鑑別を目的とした, 45例のデジタル6チャンネル聴診を, 様々な機械学習シナリオに応用した。
音声の特徴(基本周波数F0-4, ラウドネス, HNR, DFA, およびログエネルギー, RMS, MFCC)をPythonライブラリSurfboardを用いて抽出した。
ウィンドウ化と特徴集約と連結戦略を用いて、教師なし(フェアカット森林)と教師なし(ランダム森林)の機械学習設定において、木に基づくアンサンブルモデルのデータを準備した。
この評価は, 9倍層状クロスバリデーションを30回繰り返して行った。
被験者に対する平均出力による決定融合試験を行い,有用性を確認した。
監視されていないモデルに対して一貫した優位性を示し、平均AUC ROCは71.11%(精度71.11%、カッパ0.416、F1スコア0.771)、平均AUC ROCは0.721(精度68.89%、カッパ0.371、F1スコア0.650)である。
関連論文リスト
- Learning to diagnose common thorax diseases on chest radiographs from
radiology reports in Vietnamese [0.33598755777055367]
ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。
このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
論文 参考訳(メタデータ) (2022-09-11T06:06:03Z) - Self-Supervised Learning of Echocardiogram Videos Enables Data-Efficient
Clinical Diagnosis [64.92634565950846]
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。
論文 参考訳(メタデータ) (2022-07-23T19:17:26Z) - Deep Learning-Based Detection of the Acute Respiratory Distress
Syndrome: What Are the Models Learning? [5.827840113217155]
急性呼吸窮迫症候群 (ARDS) は低酸素性呼吸不全の重症型であり、院内死亡率は35-46%である。
高死亡率は、即時診断を行う際の課題と関連していると考えられており、その結果、エビデンスベースの治療の実施が遅れる可能性がある。
未バイアス人工呼吸器波形データ(VWD)を利用したディープニューラルネットワーク(DNN)アルゴリズムは、ARDSのスクリーニングを改善するのに役立つかもしれない。
論文 参考訳(メタデータ) (2021-09-25T09:10:10Z) - Assessing clinical utility of Machine Learning and Artificial
Intelligence approaches to analyze speech recordings in Multiple Sclerosis: A
Pilot Study [1.6582693134062305]
本研究の目的は, 音声記録を用いた多発性硬化症の診断, バイオマーカー抽出, 進展モニタリングを支援するための機械学習と深層学習/AIアプローチの臨床的有用性を検討することである。
ランダムフォレストモデルは、バリデーションデータセットの精度0.82、トレーニングデータセットの5k倍サイクルの面積0.76の精度を達成した。
論文 参考訳(メタデータ) (2021-09-20T21:02:37Z) - Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest
Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。
本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。
その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
論文 参考訳(メタデータ) (2021-08-14T08:14:52Z) - 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) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳(メタデータ) (2020-12-23T14:38:35Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - 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) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。