Fugu-MT 論文翻訳(概要): Continuous Diagnosis and Prognosis by Controlling the Update Process of Deep Neural Networks

論文の概要: Continuous Diagnosis and Prognosis by Controlling the Update Process of Deep Neural Networks

arxiv url: http://arxiv.org/abs/2210.02719v1
Date: Thu, 6 Oct 2022 07:06:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 17:11:12.641772
Title: Continuous Diagnosis and Prognosis by Controlling the Update Process of Deep Neural Networks
Title（参考訳）: ディープニューラルネットワークの更新過程の制御による連続診断と予後
Authors: Chenxi Sun and Hongyan Li and Moxian Song and Derun Cai and Baofeng Zhang and Shenda Hong
Abstract要約: 継続的な診断と予後は集中治療患者に不可欠である。深層学習法は、連続モードで診断と予後を行う際に、破滅的に忘れ、適合し過ぎ、結果が遅すぎる傾向にある。本研究は、新しい概念である連続時系列分類(CCTS)を提案し、新しいモデルトレーニング手法、ニューラルネットワークの制限された更新戦略(RU)を設計した。連続予後の文脈では,本法はすべての基準線を上回り,敗血症予後,COVID-19死亡率予測,8つの疾患分類で平均90%,97%,85%の精度を達成した。
参考スコア（独自算出の注目度）: 7.677134317576863
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Continuous diagnosis and prognosis are essential for intensive care patients. It can provide more opportunities for timely treatment and rational resource allocation, especially for sepsis, a main cause of death in ICU, and COVID-19, a new worldwide epidemic. Although deep learning methods have shown their great superiority in many medical tasks, they tend to catastrophically forget, over fit, and get results too late when performing diagnosis and prognosis in the continuous mode. In this work, we summarized the three requirements of this task, proposed a new concept, continuous classification of time series (CCTS), and designed a novel model training method, restricted update strategy of neural networks (RU). In the context of continuous prognosis, our method outperformed all baselines and achieved the average accuracy of 90%, 97%, and 85% on sepsis prognosis, COVID-19 mortality prediction, and eight diseases classification. Superiorly, our method can also endow deep learning with interpretability, having the potential to explore disease mechanisms and provide a new horizon for medical research. We have achieved disease staging for sepsis and COVID-19, discovering four stages and three stages with their typical biomarkers respectively. Further, our method is a data-agnostic and model-agnostic plug-in, it can be used to continuously prognose other diseases with staging and even implement CCTS in other fields.
Abstract（参考訳）: 集中治療患者には連続診断と予後が不可欠である。タイムリーな治療と合理的な資源配分、特にicuの主要な死因である敗血症や、世界的な新しい流行であるcovid-19の機会を提供することができる。深層学習法は多くの医学的タスクにおいて大きな優位性を示しているが、それらは破滅的に忘れ、適合しすぎ、連続したモードで診断と予後を行うには遅すぎる。本研究では,この課題の3つの要件を要約し,新しい概念である連続時系列分類(CCTS)を提案し,新しいモデルトレーニング手法,ニューラルネットワークの制限された更新戦略を設計した。連続予後の文脈では,本法はすべての基準線を上回り,敗血症予後,COVID-19死亡率予測,8つの疾患分類で平均90%,97%,85%の精度を達成した。また,本手法は,病気のメカニズムを探求し,医学研究の新たな地平を提供する可能性を秘めている。我々は、敗血症とcovid-19の病期をそれぞれ4段階と3段階に分けて達成した。さらに,本手法はデータに依存しないモデルに依存しないプラグインであり,ステージングによる他の疾患の診断や,他の分野でのCCTSの実装にも利用できる。

関連論文リスト

Medical AI for Early Detection of Lung Cancer: A Survey [11.90341994990241]
肺がんは世界中で致死率と死亡率の主要な原因の1つである。コンピュータ支援診断システム(CAD)は肺結節の検出と分類に有効であることが証明されている。深層学習アルゴリズムは肺結節解析の精度と効率を大幅に改善した。
論文参考訳（メタデータ） (2024-10-18T17:45:42Z)
Predicting the Stay Length of Patients in Hospitals using Convolutional Gated Recurrent Deep Learning Model [19.964439251985944]
我々は、多層畳み込み(CNN)ディープラーニング、Gated Recurrent Units(GRU)、Dense Neural Networkを組み合わせた、堅牢なハイブリッドディープラーニングモデルを導入する。提案したモデル (CNN-GRU-DNN) は, LSTM, BiLSTM, GRU, Convolutional Neural Networks (CNN) を平均89%, 18.2%, 18.6%, 7% で上回っている。
論文参考訳（メタデータ） (2024-09-26T12:29:13Z)
CIResDiff: A Clinically-Informed Residual Diffusion Model for Predicting Idiopathic Pulmonary Fibrosis Progression [38.14873567230233]
特発性肺線維症(IPF)は患者の死亡率に大きく相関する。現在の臨床基準では1年間隔で2回のCT検査を必要とする疾患の進行を規定している。そこで我々は, 患者のCT画像からIPFの進行を正確に予測する新しい拡散モデルを開発した。
論文参考訳（メタデータ） (2024-08-01T22:01:42Z)
SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-07-24T04:47:36Z)
Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients [1.0874223087191939]
本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
論文参考訳（メタデータ） (2023-11-23T11:21:40Z)
Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文参考訳（メタデータ） (2023-06-02T01:46:31Z)
Towards Automated COVID-19 Presence and Severity Classification [2.3890320616869425]
提示されたアプローチは、これらの状況において医療専門家を支援するための最先端技術に従う。提示されたモデルは、新型コロナウイルスの重症度を予測するために79.0%のAUCを、感染の有無を分類するために83.7%のAUCを達成している。
論文参考訳（メタデータ） (2023-05-15T14:07:22Z)
LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文参考訳（メタデータ） (2022-04-12T12:25:05Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文参考訳（メタデータ） (2020-05-06T15:19:15Z)

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。