論文の概要: Analysis of a Deep Learning Model for 12-Lead ECG Classification Reveals
Learned Features Similar to Diagnostic Criteria
- arxiv url: http://arxiv.org/abs/2211.01738v1
- Date: Thu, 3 Nov 2022 12:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-04 14:19:44.252756
- Title: Analysis of a Deep Learning Model for 12-Lead ECG Classification Reveals
Learned Features Similar to Diagnostic Criteria
- Title（参考訳）: 12段階心電図分類のための深層学習モデルの解析 : 診断基準に類似した特徴について
- Authors: Theresa Bender, Jacqueline Michelle Beinecke, Dagmar Krefting, Carolin
M\"uller, Henning Dathe, Tim Seidler, Nicolai Spicher, Anne-Christin
Hauschild
- Abstract要約: 12誘導心電図分類のための訓練済みディープニューラルネットワーク(DNN)に属性法を適用した。
我々は、公開データセットからデータを分類し、帰属法は、分類された各信号のサンプルに「関連スコア」を割り当てる。
- 参考スコア（独自算出の注目度）: 1.055404869921767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite their remarkable performance, deep neural networks remain unadopted
in clinical practice, which is considered to be partially due to their lack in
explainability. In this work, we apply attribution methods to a pre-trained
deep neural network (DNN) for 12-lead electrocardiography classification to
open this "black box" and understand the relationship between model prediction
and learned features. We classify data from a public data set and the
attribution methods assign a "relevance score" to each sample of the classified
signals. This allows analyzing what the network learned during training, for
which we propose quantitative methods: average relevance scores over a)
classes, b) leads, and c) average beats. The analyses of relevance scores for
atrial fibrillation (AF) and left bundle branch block (LBBB) compared to
healthy controls show that their mean values a) increase with higher
classification probability and correspond to false classifications when around
zero, and b) correspond to clinical recommendations regarding which lead to
consider. Furthermore, c) visible P-waves and concordant T-waves result in
clearly negative relevance scores in AF and LBBB classification, respectively.
In summary, our analysis suggests that the DNN learned features similar to
cardiology textbook knowledge.
- Abstract（参考訳）: その顕著な性能にもかかわらず、深いニューラルネットワークは、その説明可能性の欠如によって部分的にあると考えられている臨床実践において未経験のままである。
本研究では,12誘導心電図分類のための前訓練深層ニューラルネットワーク(dnn)への帰属法を適用し,この「ブラックボックス」を開き,モデル予測と学習特徴の関係を理解する。
我々は、公開データセットからデータを分類し、帰属法は、分類された各信号のサンプルに「関連スコア」を割り当てる。
これにより、トレーニング中にネットワークが学んだことを分析し、定量的手法を提案する。
a) クラス
b) リード,及び
c) 平均ビート。
心房細動(af)と左房分枝ブロック(lbbb)に対する妥当性スコアの解析 : 健常者と比較して
a) 高い分類確率で増加し、0前後の場合に誤分類に対応し、
b) 考慮すべき事項に関する臨床勧告に該当する。
さらに
c) 可視P波とコンコーダントT波は, AFとLBBBの分類において, それぞれ明らかに負の相関点を示す。
要約すると、DNNは、心臓学の教科書知識に類似した特徴を学習したことを示唆している。
関連論文リスト
- Arrhythmia Classification Using Graph Neural Networks Based on Correlation Matrix [0.0]
抽出した特徴の相関行列を用いて隣接行列を生成し,不整脈の分類にグラフニューラルネットワークを適用した。
その結果,不整脈分類の精度は50%以上であり,不整脈分類のアプローチである可能性が示唆された。
論文 参考訳（メタデータ） (2024-10-14T17:38:37Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Graph-Ensemble Learning Model for Multi-label Skin Lesion Classification
using Dermoscopy and Clinical Images [7.159532626507458]
本研究では,グラフ畳み込みネットワーク(GCN)を導入し,相関行列として各カテゴリ間の先行的共起を多ラベル分類のためのディープラーニングモデルに活用する。
本稿では,GCNからの予測を融合モデルからの予測の補完情報とみなすグラフ・アンサンブル学習モデルを提案する。
論文 参考訳（メタデータ） (2023-07-04T13:19:57Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳（メタデータ） (2022-07-06T02:03:28Z) - Development of Interpretable Machine Learning Models to Detect
Arrhythmia based on ECG Data [0.0]
この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。
大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。
提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
論文 参考訳（メタデータ） (2022-05-05T17:29:33Z) - RA-GCN: Graph Convolutional Network for Disease Prediction Problems with
Imbalanced Data [47.00510780034136]
クラス不均衡は疾患予測の分野でよく知られた問題である。
本稿では,グラフベースの分類器の性能を高めるために,Re-weighted Adversarial Graph Convolutional Network (RA-GCN)を提案する。
本研究では,ra-gcnの合成および3種類の医療用データセットに対する優越性を示す。
論文 参考訳（メタデータ） (2021-02-27T14:06:27Z) - Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文 参考訳（メタデータ） (2021-01-15T07:11:02Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - Multi-Lead ECG Classification via an Information-Based Attention
Convolutional Neural Network [1.1720399305661802]
1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。
残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。
分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
論文 参考訳（メタデータ） (2020-03-25T02:28:04Z)
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。