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/2301.04525v2
• Date: Mon, 20 Mar 2023 10:18:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-24 00:41:47.099463
• 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, Rebecca Kaye, Sophie Riedl, Johannes C. Paetzold, Ivan Ezhov, 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。 画像バイオマーカーに基づく現在のグレーディングシステムは、粗いグループ病段階のみ広範囲に分類されている。 本稿では,病の進行の時間的ダイナミクスを捉えるバイオマーカーを自動的に検出する手法を提案する。
• 参考スコア（独自算出の注目度）: 7.2870166968239305
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Age-related macular degeneration (AMD) is the leading cause of blindness in the elderly. Current grading systems based on imaging biomarkers only coarsely group disease stages into broad categories and are unable to predict future disease progression. It is widely believed that this is due to their focus on a single point in time, disregarding the dynamic nature of the disease. In this work, we present the first method to automatically discover biomarkers that capture temporal dynamics of disease progression. Our method represents patient time series as trajectories in a latent feature space built with contrastive learning. Then, individual trajectories are partitioned into atomic sub-sequences that encode transitions between disease states. These are clustered using a newly introduced distance metric. In quantitative experiments we found our method yields temporal biomarkers that are predictive of conversion to late AMD. Furthermore, these clusters were highly interpretable to ophthalmologists who confirmed that many of the clusters represent dynamics that have previously been linked to the progression of AMD, even though they are currently not included in any clinical grading system.
• 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。 画像バイオマーカーに基づく現在の評価システムは, 病期を大まかに分類し, 今後の疾患進展を予測できない。 これは、病気のダイナミックな性質を無視して、単一の時点に焦点が当てられているためであると広く信じられている。 本研究は,病の進行の時間的ダイナミクスを捉えるバイオマーカーを自動検出する最初の方法である。 コントラスト学習により構築された潜在特徴空間における患者時系列を軌跡として表現する。 その後、個々の軌道は、疾患状態間の遷移をコードする原子サブシーケンスに分割される。 これらは新しく導入された距離メトリックを使ってクラスタ化される。 定量的実験により, 後期AMDへの変換を予測できる時間的バイオマーカーが得られた。 さらに、これらのクラスターは、これまでAMDの進行に関係していた多くのクラスターが、現在臨床グレーティングシステムに含まれていないにもかかわらず、動的に表現されていることを確認した眼科医にとって高い解釈が可能であった。

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。