論文の概要: Does Deep Learning REALLY Outperform Non-deep Machine Learning for
Clinical Prediction on Physiological Time Series?
- arxiv url: http://arxiv.org/abs/2211.06034v1
- Date: Fri, 11 Nov 2022 07:09:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 15:39:48.173509
- Title: Does Deep Learning REALLY Outperform Non-deep Machine Learning for
Clinical Prediction on Physiological Time Series?
- Title（参考訳）: 深層学習の非深層学習は生理的時系列の予測に優れているか?
- Authors: Ke Liao, Wei Wang, Armagan Elibol, Lingzhong Meng, Xu Zhao, and Nak
Young Chong
- Abstract要約: EHRに基づく臨床予測タスクにおいて,機械学習モデルの性能を体系的に検討する。
3つのディープラーニングメソッドと7つの非深度学習メソッドを含む10のベースライン機械学習モデルを比較した。
その結果,深層学習は非深層学習よりも優れており,一定の条件下では優れていた。
- 参考スコア（独自算出の注目度）: 11.901347806586234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has been widely used in healthcare applications to
approximate complex models, for clinical diagnosis, prognosis, and treatment.
As deep learning has the outstanding ability to extract information from time
series, its true capabilities on sparse, irregularly sampled, multivariate, and
imbalanced physiological data are not yet fully explored. In this paper, we
systematically examine the performance of machine learning models for the
clinical prediction task based on the EHR, especially physiological time
series. We choose Physionet 2019 challenge public dataset to predict Sepsis
outcomes in ICU units. Ten baseline machine learning models are compared,
including 3 deep learning methods and 7 non-deep learning methods, commonly
used in the clinical prediction domain. Nine evaluation metrics with specific
clinical implications are used to assess the performance of models. Besides, we
sub-sample training dataset sizes and use learning curve fit to investigate the
impact of the training dataset size on the performance of the machine learning
models. We also propose the general pre-processing method for the physiology
time-series data and use Dice Loss to deal with the dataset imbalanced problem.
The results show that deep learning indeed outperforms non-deep learning, but
with certain conditions: firstly, evaluating with some particular evaluation
metrics (AUROC, AUPRC, Sensitivity, and FNR), but not others; secondly, the
training dataset size is large enough (with an estimation of a magnitude of
thousands).
- Abstract（参考訳）: 機械学習は医療応用において、臨床診断、予後、治療などの複雑なモデルを近似するために広く用いられている。
深層学習は時系列から情報を抽出する能力に優れており、スパース、不規則なサンプル、多変量、不均衡な生理データに対する真の能力はまだ十分に解明されていない。
本稿では,ERH,特に生理的時系列に基づく臨床予測タスクにおける機械学習モデルの性能を体系的に検討する。
physionet 2019 challenge public datasetを選択して、icuユニットの敗血症結果を予測する。
臨床予測領域で一般的に使用される3つの深層学習法と7つの非深層学習法を含む10のベースライン機械学習モデルを比較した。
特定の臨床的意味を持つ9つの評価指標を用いて、モデルの性能を評価する。
さらに、トレーニングデータセットのサイズをサブサンプル化し、学習曲線を適合させて、トレーニングデータセットサイズが機械学習モデルのパフォーマンスに与える影響を調べます。
また,生理学時系列データの一般的な前処理法を提案し,データセットの不均衡問題にdiceロスを用いて対処する。
その結果、深層学習は非深層学習よりも優れているが、特定の評価指標(AUROC、AUPRC、Sensitivity、FNR)で評価する条件がいくつかある。
関連論文リスト
- An Efficient Contrastive Unimodal Pretraining Method for EHR Time Series Data [35.943089444017666]
本稿では,長期臨床経過データに適した比較事前学習法を提案する。
本モデルでは, 臨床医が患者の症状についてより深い知見を得られるように, 欠損測定をインプットする能力を示す。
論文 参考訳（メタデータ） (2024-10-11T19:05:25Z) - Model-agnostic meta-learners for estimating heterogeneous treatment effects over time [24.91413609641092]
パーソナライズド医療などの多くの分野において、時間とともにヘテロジニアス治療効果(HTE)を推定することが重要である。
モデルに依存しないメタラーナーをいくつか提案し、任意の機械学習モデルと組み合わせて使用することができる。
論文 参考訳（メタデータ） (2024-07-07T07:07:48Z) - Value Prediction for Spatiotemporal Gait Data Using Deep Learning [0.19972837513980318]
我々は、時系列時間歩行データの価値予測へのディープラーニングの適用を拡大する。
その結果,短距離予測は 0.060675 以下であり,長距離予測は 0.106365 以下であった。
提案したカスタマイズされたモデルでは,転倒予測,家庭内進捗監視,外骨格運動の支援,認証など,付加的なアプリケーションに対して,価値予測がオープンな可能性を秘めている。
論文 参考訳（メタデータ） (2024-02-29T18:30:13Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳（メタデータ） (2023-03-05T03:54:54Z) - 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) - Learning Predictive and Interpretable Timeseries Summaries from ICU Data [33.787187660310444]
本研究では,ヒトが予測的かつ容易に理解できる臨床時系列の要約を学習するための新しい手法を提案する。
学習した要約は従来の解釈可能なモデルクラスより優れており、病院内死亡率分類タスクにおける最先端のディープラーニングモデルに匹敵する性能を実現している。
論文 参考訳（メタデータ） (2021-09-22T21:14:05Z) - Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。
よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文 参考訳（メタデータ） (2020-12-11T16:27:04Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
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。