論文の概要: Myopia prediction for adolescents via time-aware deep learning

• arxiv url: http://arxiv.org/abs/2209.12546v1
• Date: Mon, 26 Sep 2022 10:05:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 14:47:24.062943
• Title: Myopia prediction for adolescents via time-aware deep learning
• Title（参考訳）: タイムアウェア深層学習による思春期の近視予測
• Authors: Junjia Huang, Wei Ma, Rong Li, Na Zhao, Tao Zhou
• Abstract要約: 中国・成都市で6歳から20歳の若年者37,586名を対象に両眼不整形視力, 軸長, 角膜曲率, 軸方向視力について検討した。 Time-Aware Long Short-Term Memory は2年半以内に青少年の球面等価性を定量的に予測するために使用された。
• 参考スコア（独自算出の注目度）: 18.427609258829705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Quantitative prediction of the adolescents' spherical equivalent based on their variable-length historical vision records. Methods: From October 2019 to March 2022, we examined binocular uncorrected visual acuity, axial length, corneal curvature, and axial of 75,172 eyes from 37,586 adolescents aged 6-20 years in Chengdu, China. 80\% samples consist of the training set and the remaining 20\% form the testing set. Time-Aware Long Short-Term Memory was used to quantitatively predict the adolescents' spherical equivalent within two and a half years. Result: The mean absolute prediction error on the testing set was 0.273-0.257 for spherical equivalent, ranging from 0.189-0.160 to 0.596-0.473 if we consider different lengths of historical records and different prediction durations. Conclusions: Time-Aware Long Short-Term Memory was applied to captured the temporal features in irregularly sampled time series, which is more in line with the characteristics of real data and thus has higher applicability, and helps to identify the progression of myopia earlier. The overall error 0.273 is much smaller than the criterion for clinically acceptable prediction, say 0.75.
• Abstract（参考訳）: 背景: 可変長歴史視覚記録に基づく青年期の球面等価性の定量的予測 方法:2019年10月から2022年3月まで,中国成都市で6～20歳の青年37,586名を対象に,両眼視力,軸長,角膜曲率,軸方向の75,172眼について検討した。 80\%のサンプルはトレーニングセットからなり、残りの20\%はテストセットを構成する。 タイムアウェアロング短期記憶は、2年半以内に青少年の球面等価性を定量的に予測するために使用された。 結果: 実験セットの平均絶対予測誤差は, 0.189-0.160から0.596-0.473までの球面等価値に対して0.273-0.257であった。 結論: 時系列の時間的特徴は実データの特徴と一致し, 適用性が向上し, 早期の近視の進行の把握に有効である。 総誤差0.273は、臨床的に許容できる予測基準よりもはるかに小さい。

関連論文リスト

• Equitable Length of Stay Prediction for Patients with Learning Disabilities and Multiple Long-term Conditions Using Machine Learning [1.0064817439176887]
  本研究は,学習障害患者9,618例の入院状況とウェールズの人口の長期的状況について分析した。 調査コホートでは, 人口動態, 長期経過状況, 薬剤歴, 病院訪問, 生活史について検討した。 我々は,このコホートにおける入院期間を予測するために,機械学習モデルを適用した。
  論文  参考訳（メタデータ） (2024-11-03T20:14:20Z)
• Deep Learning-Based Longitudinal Prediction of Childhood Myopia Progression Using Fundus Image Sequences and Baseline Refraction Data [7.544051156624095]
  小児の近視・近視リスクを定量的に予測する新しい高精度手法を提案する。 深層学習をベースとして, AUCスコアは0.944, 0.995で, 平均誤差は0.311D, 平均誤差は0.944, 平均誤差は0.995であった。
  論文  参考訳（メタデータ） (2024-07-31T09:26:20Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• GRU-D-Weibull: A Novel Real-Time Individualized Endpoint Prediction [10.871599399011306]
  ワイブル分布をモデル化するために、ゲート再帰単位と崩壊(GRU-D)を組み合わせた新しいアプローチGRU-D-Weibullを提案する。 4期慢性腎臓病(CKD4)6,879例のコホートを用いて,GRU-D-Weibullの終末予測成績を検討した。 提案手法はCKD4指数で1.1年(SD 0.95)、フォローアップ4年で0.45年(SD0.3)の絶対L1損失を達成し,競合法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-08-14T20:46:16Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• LAE : Long-tailed Age Estimation [52.5745217752147]
  まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-25T09:05:44Z)
• Mind the Performance Gap: Examining Dataset Shift During Prospective Validation [6.232311195907715]
  患者のリスク階層化モデルは、かつて臨床医療に統合された振り返りのパフォーマンスと比べて悪化する可能性がある。 医療関連感染症の予測のための患者リスク階層化モデル(2020-2021)の2020-2021年の予測性能と,同モデルの ('19-'20) 振り返り検証との比較を行った。 結果として生じるパフォーマンスのギャップは、主にインフラストラクチャシフトによるものであり、時間シフトによるものではない。
  論文  参考訳（メタデータ） (2021-07-23T14:30:59Z)
• Continual Deterioration Prediction for Hospitalized COVID-19 Patients [3.3581926090154113]
  病院滞在終了時の患者結果の日次予測を行うための時間的階層化手法を開発した。 予備実験では、連続劣化予測における0.98 AUROC、0.91 F1スコアおよび0.97AUPRを示す。
  論文  参考訳（メタデータ） (2021-01-19T12:03:56Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。