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
- 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) - Automated Segmentation and Recurrence Risk Prediction of Surgically
Resected Lung Tumors with Adaptive Convolutional Neural Networks [3.5413688566798096]
肺がんは、がん関連死亡の重大な原因である。
本稿では,肺腫瘍のセグメンテーションと再発リスク予測における畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々の知る限りでは、これは最初の完全自動化されたセグメンテーションと再発リスク予測システムである。
論文 参考訳(メタデータ) (2022-09-17T23:06:22Z) - 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) - Quantifying machine learning-induced overdiagnosis in sepsis [0.0]
オーバー診断の可能性を事前に検出できる革新的なアプローチを提案する。
これは、機械学習による過剰診断を定量化する最初の試みの1つである。
論文 参考訳(メタデータ) (2021-07-03T11:55:55Z) - An Automated Approach for Timely Diagnosis and Prognosis of Coronavirus
Disease [1.52292571922932]
コロナウイルス病2019(COVID-19)の流行以降、感染した患者の多くは高熱、乾ききき、喉の腫れなどと診断され、重篤な肺炎に繋がった。
これまで、肺イメージングによるCOVID-19の診断は、この疾患の早期診断の主要な証拠であることが証明されています。
提案手法は,非造影CT(non-contrast chest Computed tomography)スキャンによる疾患の自動診断と予後に焦点をあてるものである。
論文 参考訳(メタデータ) (2021-04-29T05:26:30Z) - 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) - Lifelong Learning based Disease Diagnosis on Clinical Notes [24.146567779632107]
本稿では,医学的実体と文脈の融合,エピソディクス記憶の埋め込み,知識の保持に注意を払うことを提案する。
各種病院から収集した臨床記録を含む新しいベンチマークjarvis-40を樹立した。
提案手法は,提案するベンチマークで最先端の性能が得られることを示す。
論文 参考訳(メタデータ) (2021-02-27T09:23:57Z) - 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) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - 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。