論文の概要: Clustering disease trajectories in contrastive feature space for biomarker discovery in age-related macular degeneration

• arxiv url: http://arxiv.org/abs/2301.04525v1
• Date: Wed, 11 Jan 2023 15:44:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 17:48:04.182493
• Title: Clustering disease trajectories in contrastive feature space for biomarker discovery in age-related macular degeneration
• Title（参考訳）: 加齢黄斑変性におけるバイオマーカー発見のための対比特徴空間におけるクラスタリング疾患軌跡
• Authors: Robbie Holland, Oliver Leingang, Christopher Holmes, Philipp Anders, Johannes C. Paetzold, Rebecca Kaye, Sophie Riedl, Hrvoje Bogunovi\'c, Ursula Schmidt-Erfurth, Lars Fritsche, Hendrik P. N. Scholl, Sobha Sivaprasad, Andrew J. Lotery, Daniel Rueckert, Martin J. Menten
• Abstract要約: 加齢に伴う黄斑変性は、高齢者の視覚障害の主要な原因である。 現在のグレーディングシステムは、後期AMDへの変換の確率的価値が非常に限られている。 我々は,自己管理型特徴空間におけるクラスター軌道として,疾患の進行を初めて解析した人物である。
• 参考スコア（独自算出の注目度）: 7.078321084037981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Age-related macular degeneration (AMD) is the leading cause of blindness in the elderly. Despite this, the exact dynamics of disease progression are poorly understood. There is a clear need for imaging biomarkers in retinal optical coherence tomography (OCT) that aid the diagnosis, prognosis and management of AMD. However, current grading systems, which coarsely group disease stage into broad categories describing early and intermediate AMD, have very limited prognostic value for the conversion to late AMD. In this paper, we are the first to analyse disease progression as clustered trajectories in a self-supervised feature space. Our method first pretrains an encoder with contrastive learning to project images from longitudinal time series to points in feature space. This enables the creation of disease trajectories, which are then denoised, partitioned and grouped into clusters. These clusters, found in two datasets containing time series of 7,912 patients imaged over eight years, were correlated with known OCT biomarkers. This reinforced efforts by four expert ophthalmologists to investigate clusters, during a clinical comparison and interpretation task, as candidates for time-dependent biomarkers that describe progression of AMD.
• Abstract（参考訳）: 加齢関連黄斑変性症(AMD)は高齢者の視覚障害の主要な原因である。 それにもかかわらず、疾患の進行の正確なダイナミクスはよく分かっていない。 amdの診断、予後、管理を支援する網膜光学コヒーレンス断層撮影(oct)におけるバイオマーカーのイメージングの必要性は明らかである。 しかし, 早期および中期のAMDを記述した幅広いカテゴリに大まかに分類した現在のグレーディングシステムは, 後期AMDへの転換の予後に極めて限定的である。 本稿では,自己管理型特徴空間におけるクラスタ化された軌跡として,疾患の進行を初めて解析する。 提案手法はまず,時系列から特徴空間上の点へ画像を投影するコントラスト学習を用いたエンコーダを事前訓練する。 これにより、病気の軌跡が作成でき、それを分断し、分割し、クラスタにグループ化する。 これらのクラスターは8年間に撮影された7,912人の時系列を含む2つのデータセットから発見され、既知のOCTバイオマーカーと相関した。 これは、amdの進行を記述した時間依存バイオマーカーの候補として、臨床比較と解釈タスク中にクラスターを調査する4人の専門眼科医の努力を強化した。

関連論文リスト

• Latent Relationship Mining of Glaucoma Biomarkers: a TRI-LSTM based Deep Learning [4.35211788867287]
  我々は認知科学の概念から学び、眼科医が緑内障の検出をどう判断するかを研究する。 本稿では,バイオマーカー指向機械学習モデルに基づく階層的意思決定システムを提案する。 本モデルは緑内障バイオマーカーの内在的な関係を探究する最初の試みの一つである。
  論文  参考訳（メタデータ） (2024-08-28T06:08:46Z)
• Harnessing the power of longitudinal medical imaging for eye disease prognosis using Transformer-based sequence modeling [49.52787013516891]
  今回提案した Longitudinal Transformer for Survival Analysis (LTSA, Longitudinal Transformer for Survival Analysis, LTSA) は, 縦断的医用画像から動的疾患の予後を予測できる。 時間的注意分析により、最新の画像は典型的には最も影響力のあるものであるが、以前の画像は追加の予後に価値があることが示唆された。
  論文  参考訳（メタデータ） (2024-05-14T17:15:28Z)
• Deep-learning-based clustering of OCT images for biomarker discovery in age-related macular degeneration (Pinnacle study report 4) [7.932410831191909]
  加齢関連黄斑変性症(AMD)に対する深層学習に基づくバイオマーカーの提案について紹介する。 まず、自己教師付きコントラスト学習を用いてニューラルネットワークをトレーニングし、既知のAMDバイオマーカーと未知のAMDバイオマーカーの両方に関連する特徴を発見する。
  論文  参考訳（メタデータ） (2024-03-12T13:48:17Z)
• Spatio-Temporal Similarity Measure based Multi-Task Learning for Predicting Alzheimer's Disease Progression using MRI Data [18.669489433316127]
  本稿では,アルツハイマー病の進行を効果的に予測するための,新しい時間的類似度尺度に基づくマルチタスク学習手法を提案する。 また, バイオマーカー間の関係の変化を識別するために, 縦方向の安定性の選択を行うことも可能である。 本研究では,皮質体積および表面積の相乗的劣化指標が認知的予測に有意な影響を及ぼすことを証明した。
  論文  参考訳（メタデータ） (2023-11-06T21:59:19Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Cortical lesions, central vein sign, and paramagnetic rim lesions in multiple sclerosis: emerging machine learning techniques and future avenues [4.388837207929038]
  現在の多発性硬化症(MS)の診断基準には特異性がなく、誤診につながる可能性がある。 近年,MS病変画像バイオマーカーは鑑別診断において高い特異性を示している。 機械学習に基づく手法は、従来のイメージングバイオマーカーの評価において、極めて優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-01-19T08:26:49Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)
• Unsupervised deep clustering for predictive texture pattern discovery in medical images [2.0478628221188497]
  医用画像のテクスチャパターンを教師なしで識別する手法を提案する。 深層クラスタリングネットワークに基づいて,低次元潜在空間における医用画像パッチを同時にエンコードし,クラスタリングする。 肝脂肪症患者のT1強調MRI70例について検討した。
  論文  参考訳（メタデータ） (2020-01-31T10:57:59Z)

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。