論文の概要: Learning-Based Radiomic Prediction of Type 2 Diabetes Mellitus Using
Image-Derived Phenotypes
- arxiv url: http://arxiv.org/abs/2209.10043v1
- Date: Tue, 20 Sep 2022 23:39:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 15:41:46.922958
- Title: Learning-Based Radiomic Prediction of Type 2 Diabetes Mellitus Using
Image-Derived Phenotypes
- Title（参考訳）: 画像誘導現象を用いた2型糖尿病の学習による放射能予測
- Authors: Michael S. Yao, Allison Chae, Matthew T. MacLean, Anurag Verma,
Jeffrey Duda, James Gee, Drew A. Torigian, Daniel Rader, Charles Kahn, Walter
R. Witschey, Hersh Sagreiya
- Abstract要約: 画像由来の表現型を用いたニューラルネットワークモデルと決定木モデルの両方が、リコールスコアが87.6%である患者T2DMの状態を予測可能であることを示す。
また,血液ヘモグロビンA1C実験室測定を模倣した解釈可能な値を出力できる「シンスA1cエンコーダ」と同じアーキテクチャの新規な利用を提案する。
- 参考スコア（独自算出の注目度）: 0.5551483435671848
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early diagnosis of Type 2 Diabetes Mellitus (T2DM) is crucial to enable
timely therapeutic interventions and lifestyle modifications. As medical
imaging data become more widely available for many patient populations, we
sought to investigate whether image-derived phenotypic data could be leveraged
in tabular learning classifier models to predict T2DM incidence without the use
of invasive blood lab measurements. We show that both neural network and
decision tree models that use image-derived phenotypes can predict patient T2DM
status with recall scores as high as 87.6%. We also propose the novel use of
these same architectures as 'SynthA1c encoders' that are able to output
interpretable values mimicking blood hemoglobin A1C empirical lab measurements.
Finally, we demonstrate that T2DM risk prediction model sensitivity to small
perturbations in input vector components can be used to predict performance on
covariates sampled from previously unseen patient populations.
- Abstract（参考訳）: 2型糖尿病(T2DM)の早期診断は、タイムリーな治療介入とライフスタイルの変更を可能にするために重要である。
多くの患者で医用画像データが利用可能になるにつれて, 画像由来の表現型データを表型学習分類器モデルで活用し, 血液検査を使わずにT2DMの出現を予測できるかどうかを検討した。
画像由来の表現型を用いたニューラルネットワークと決定木モデルの両方が、リコールスコア87.6%の患者t2dmステータスを予測できることを示した。
また,血液ヘモグロビンA1C実験室測定を模倣した解釈可能な値を出力できる「シンスA1cエンコーダ」と同じアーキテクチャの新規な利用を提案する。
最後に, 入力ベクトル成分の小さな摂動に対するT2DMリスク予測モデルを用いて, 既往の患者集団から採取した共変量の性能を予測できることを実証した。
関連論文リスト
- Estimating the severity of dental and oral problems via sentiment
classification over clinical reports [0.8287206589886879]
テキストにおける著者の感情を分析することは、医学や歯科など様々な分野において実用的で有用である。
CNN-LSTMとして知られる畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)ネットワークアーキテクチャに基づくディープラーニングモデルを開発した。
論文 参考訳（メタデータ） (2024-01-17T14:33:13Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for
Electronic Health Records [0.951828574518325]
本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。
提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。
T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
論文 参考訳（メタデータ） (2023-01-12T07:14:47Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Longitudinal modeling of MS patient trajectories improves predictions of
disability progression [2.117653457384462]
本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。
本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。
文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
論文 参考訳（メタデータ） (2020-11-09T20:48:00Z) - Interpreting Deep Glucose Predictive Models for Diabetic People Using
RETAIN [4.692400531340393]
糖尿病患者における将来の血糖値予測のためのRETAINアーキテクチャについて検討した。
2段階のアテンションメカニズムのおかげで、RETAINモデルは解釈可能であり、標準的なニューラルネットワークと同じくらい効率的である。
論文 参考訳（メタデータ） (2020-09-08T13:20:15Z) - GLYFE: Review and Benchmark of Personalized Glucose Predictive Models in
Type-1 Diabetes [4.17510581764131]
GLYFEは機械学習に基づくグルコース予測モデルのベンチマークである。
ブドウ糖沈降の文献から得られた9つの異なるモデルの結果を報告する。
論文 参考訳（メタデータ） (2020-06-29T11:34:41Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Short Term Blood Glucose Prediction based on Continuous Glucose
Monitoring Data [53.01543207478818]
本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。
短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
論文 参考訳（メタデータ） (2020-02-06T16:39:44Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。