論文の概要: Improving Medical Predictions by Irregular Multimodal Electronic Health
Records Modeling
- arxiv url: http://arxiv.org/abs/2210.12156v2
- Date: Mon, 5 Jun 2023 21:09:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 21:34:10.491781
- Title: Improving Medical Predictions by Irregular Multimodal Electronic Health
Records Modeling
- Title（参考訳）: 不規則なマルチモーダル電子健康記録モデルによる医療予測の改善
- Authors: Xinlu Zhang, Shiyang Li, Zhiyu Chen, Xifeng Yan, Linda Petzold
- Abstract要約: 集中治療室(ICU)患者の健康状態は電子健康記録(EHR)によって監視される
単一モードごとに不規則に対処し、医療予測を改善するためにマルチモーダル表現に統合することは難しい問題である。
本手法はまず,手作りのインプット埋め込みをゲーティング機構を用いて学習した埋め込みに動的に組み込むことにより,各モードの不規則性に対処する。
我々は, 時系列, 臨床ノート, マルチモーダル融合におけるF1の6.5%, 3.6%, 4.3%の相対的な改善を観察した。
- 参考スコア（独自算出の注目度）: 19.346610191591143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Health conditions among patients in intensive care units (ICUs) are monitored
via electronic health records (EHRs), composed of numerical time series and
lengthy clinical note sequences, both taken at irregular time intervals.
Dealing with such irregularity in every modality, and integrating irregularity
into multimodal representations to improve medical predictions, is a
challenging problem. Our method first addresses irregularity in each single
modality by (1) modeling irregular time series by dynamically incorporating
hand-crafted imputation embeddings into learned interpolation embeddings via a
gating mechanism, and (2) casting a series of clinical note representations as
multivariate irregular time series and tackling irregularity via a time
attention mechanism. We further integrate irregularity in multimodal fusion
with an interleaved attention mechanism across temporal steps. To the best of
our knowledge, this is the first work to thoroughly model irregularity in
multimodalities for improving medical predictions. Our proposed methods for two
medical prediction tasks consistently outperforms state-of-the-art (SOTA)
baselines in each single modality and multimodal fusion scenarios.
Specifically, we observe relative improvements of 6.5\%, 3.6\%, and 4.3\% in F1
for time series, clinical notes, and multimodal fusion, respectively. These
results demonstrate the effectiveness of our methods and the importance of
considering irregularity in multimodal EHRs.
- Abstract（参考訳）: 集中治療室(icus)の患者の健康状態は、不規則な時間間隔で、数値的な時系列と長い臨床記録からなる電子健康記録(ehrs)によって監視される。
あらゆるモダリティにおいてそのような不規則性に対処し、医療予測を改善するために多モーダル表現に不規則性を統合することは難しい問題である。
本手法は,(1)手作りのインプット埋め込みを学習補間埋め込みにゲーティング機構を介して動的に組み込んだ不規則な時系列をモデル化し,(2)多変量不規則な時系列として一連の臨床メモをキャストし,時間的注意機構を介して不規則に対処する。
さらに,マルチモーダル融合における不規則性と,時間的ステップ間の間欠的注意機構を統合する。
私たちの知る限りでは、医療予測を改善するためにマルチモーダリティの不規則性を徹底的にモデル化する最初の作業です。
2つの医療予測タスクのための提案手法は,各単一モードおよびマルチモーダル融合シナリオにおいて,常に最先端(SOTA)ベースラインを上回っている。
具体的には,f1の6.5\%,3.6\%,4.3\%の相対的改善を時系列,臨床ノート,マルチモーダル融合で観察した。
これらの結果は,マルチモーダルEHRにおける手法の有効性と不規則性を考慮したことの重要性を示す。
関連論文リスト
- CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。
提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
論文 参考訳（メタデータ） (2024-11-01T15:54:07Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - DualTime: A Dual-Adapter Multimodal Language Model for Time Series Representation [25.47662257105448]
時系列表現のためのデュアル適応型マルチモーダル言語モデルであるDualTimeを提案する。
本手法は,教師なし設定と教師なし設定の両方において,最先端モデルよりも優れる。
論文 参考訳（メタデータ） (2024-06-07T14:34:28Z) - Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。
モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。
パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
論文 参考訳（メタデータ） (2024-05-28T13:27:30Z) - Global Contrastive Training for Multimodal Electronic Health Records with Language Supervision [1.6245786035158123]
本稿では,医療時系列と臨床ノートに着目した,新しいマルチモーダルコントラスト学習フレームワークを提案する。
このフレームワークは、時間的クロスアテンション変換器と動的埋め込みおよびトークン化スキームを統合し、マルチモーダルな特徴表現を学習する。
実世界のERHデータセットを用いて実験したところ, 術後合併症9例の発症予測において, 我々のフレームワークは最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2024-04-10T04:19:59Z) - Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。
術後合併症9例の発症予測に基礎的アプローチを応用した。
論文 参考訳（メタデータ） (2024-03-06T19:46:44Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - Multi-view Integration Learning for Irregularly-sampled Clinical Time
Series [1.9639092030562577]
不規則な時系列データからの多視点機能統合学習をインピーダンスフリーで自己保持機構で提案する。
我々は,観測値の関連性,指標の欠如,連続観測間の時間間隔を同時に学習する。
我々は,マルチビュー観察における相互関係の表現学習を促進するために,注意に基づくデコーダを欠落値インプタとして構築する。
論文 参考訳（メタデータ） (2021-01-25T10:02:50Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z)
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。