論文の概要: M$^3$Care: Learning with Missing Modalities in Multimodal Healthcare Data

• arxiv url: http://arxiv.org/abs/2210.17292v1
• Date: Fri, 28 Oct 2022 02:38:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-01 15:48:51.956810
• Title: M$^3$Care: Learning with Missing Modalities in Multimodal Healthcare Data
• Title（参考訳）: M$3$Care:マルチモーダル医療データにおけるモダリティの欠如による学習
• Authors: Chaohe Zhang, Xu Chu, Liantao Ma, Yinghao Zhu, Yasha Wang, Jiangtao Wang, Junfeng Zhao
• Abstract要約: 様々な臨床および社会的理由による欠落は、現実の臨床シナリオにおいて共通の問題である。 マルチモーダル医療データ(M3Care)におけるミス・モダリティを用いた学習という,直接的な問題を解決するモデルを提案する。 M3Careは、モダリティの欠如した患者の行方不明情報を補い、臨床分析を行うエンド・ツー・エンドのモデルである。
• 参考スコア（独自算出の注目度）: 17.479050575272147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal electronic health record (EHR) data are widely used in clinical applications. Conventional methods usually assume that each sample (patient) is associated with the unified observed modalities, and all modalities are available for each sample. However, missing modality caused by various clinical and social reasons is a common issue in real-world clinical scenarios. Existing methods mostly rely on solving a generative model that learns a mapping from the latent space to the original input space, which is an unstable ill-posed inverse problem. To relieve the underdetermined system, we propose a model solving a direct problem, dubbed learning with Missing Modalities in Multimodal healthcare data (M3Care). M3Care is an end-to-end model compensating the missing information of the patients with missing modalities to perform clinical analysis. Instead of generating raw missing data, M3Care imputes the task-related information of the missing modalities in the latent space by the auxiliary information from each patient's similar neighbors, measured by a task-guided modality-adaptive similarity metric, and thence conducts the clinical tasks. The task-guided modality-adaptive similarity metric utilizes the uncensored modalities of the patient and the other patients who also have the same uncensored modalities to find similar patients. Experiments on real-world datasets show that M3Care outperforms the state-of-the-art baselines. Moreover, the findings discovered by M3Care are consistent with experts and medical knowledge, demonstrating the capability and the potential of providing useful insights and explanations.
• Abstract（参考訳）: マルチモーダル電子健康記録(EHR)データは臨床応用に広く利用されている。 従来の方法では、各サンプル(患者)が統一された観察モダリティに関連付けられ、各サンプルに対してすべてのモダリティが利用できると仮定する。 しかし、様々な臨床および社会的理由によるモダリティの欠如は、現実的な臨床シナリオにおいて一般的な問題である。 既存の方法は、主に潜在空間から元の入力空間へのマッピングを学ぶ生成モデルを解くことに依存しているが、これは不安定な逆問題である。 未決定のシステムを緩和するために,マルチモーダル医療データ(m3care)のモダリティを欠いた学習という,直接的な問題を解決するモデルを提案する。 m3careはエンド・ツー・エンドのモデルであり、臨床分析を行うために欠如している患者の情報を補償する。 m3careは、生の欠失データを生成する代わりに、各患者の類似した隣接者からの補助情報によって潜在空間における欠失モダリティのタスク関連情報を、タスクガイドされたモダリティ適応類似度指標で測定し、臨床業務を行う。 タスク誘導型モダリティ適応類似度測定は、同一のモダリティを有する患者と他の患者との無検閲モダリティを利用して、類似した患者を見つける。 実世界のデータセットの実験では、M3Careは最先端のベースラインよりも優れています。 さらに、M3Careが発見した発見は専門家や医学知識と一致しており、有用な洞察と説明を提供する能力と可能性を示している。

関連論文リスト

• DrFuse: Learning Disentangled Representation for Clinical Multi-Modal Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
  そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。 モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。 実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
  論文  参考訳（メタデータ） (2024-03-10T12:41:34Z)
• Self-supervised 3D Patient Modeling with Multi-modal Attentive Fusion [32.71972792352939]
  3次元患者体モデリングは、スマート・メディカル・スキャンおよび手術室における患者の自動位置決めの成功に不可欠である。 既存のCNNベースのエンドツーエンドの患者モデリングソリューションは、通常、大量の関連するトレーニングデータを必要とするカスタマイズされたネットワーク設計を必要とする。 a) 2次元関節局所化のための注意融合を伴うマルチモーダルキーポイント検出モジュールからなる汎用的なモジュール化された3次元患者モデリング手法を提案する。 本手法の有効性を,公用および臨床用両方のデータを用いた広範囲な患者位置決め実験により実証した。
  論文  参考訳（メタデータ） (2024-03-05T18:58:55Z)
• The Relevance Feature and Vector Machine for health applications [0.11538034264098687]
  本稿では,臨床研究における脂肪データ問題に対処する新しいモデルを提案する。 モデル機能は、太いデータ問題のあるいくつかの医療データセットの最先端モデルに対してテストされる。
  論文  参考訳（メタデータ） (2024-02-11T01:21:56Z)
• DCID: Deep Canonical Information Decomposition [84.59396326810085]
  本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。 そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。 また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
  論文  参考訳（メタデータ） (2023-06-27T16:59:06Z)
• Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
  我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。 その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。 再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T11:54:44Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• Modelling Patient Trajectories Using Multimodal Information [0.0]
  本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。 本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
  論文  参考訳（メタデータ） (2022-09-09T10:20:54Z)
• Learning Multitask Gaussian Bayesian Networks [11.745963019193955]
  大うつ病(Major depressive disorder、MDD)は、脳の機能的接続変化の研究を必要とする。 fMRIスキャンで収集されたデータの量は、個々の分析に十分な情報を与えるにはあまりにも限られている。 本稿では,MDD患者に対する個別の病原性変化を識別できるマルチタスク・ガウス・ベイズネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T08:38:00Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。