論文の概要: Development of deep biological ages aware of morbidity and mortality based on unsupervised and semi-supervised deep learning approaches

• arxiv url: http://arxiv.org/abs/2302.00319v1
• Date: Wed, 1 Feb 2023 08:54:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-02 13:15:27.861534
• Title: Development of deep biological ages aware of morbidity and mortality based on unsupervised and semi-supervised deep learning approaches
• Title（参考訳）: 教師なし・半教師なしの深層学習アプローチに基づく形態と死亡を意識した深層生物年代の開発
• Authors: Seong-Eun Moon, Ji Won Yoon, Shinyoung Joo, Yoohyung Kim, Jae Hyun Bae, Seokho Yoon, Haanju Yoo, and Young Min Cho
• Abstract要約: 既存の生物学的年齢推定の深層学習法は通常、時系列年齢と死亡率と死亡率の考慮の欠如に依存している。 本稿では,生物老化の潜在的表現を被験者の死亡率と死亡率に関して学習するための新しい深層学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 3.8240573706733514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: While deep learning technology, which has the capability of obtaining latent representations based on large-scale data, can be a potential solution for the discovery of a novel aging biomarker, existing deep learning methods for biological age estimation usually depend on chronological ages and lack of consideration of mortality and morbidity that are the most significant outcomes of aging. Methods: This paper proposes a novel deep learning model to learn latent representations of biological aging in regard to subjects' morbidity and mortality. The model utilizes health check-up data in addition to morbidity and mortality information to learn the complex relationships between aging and measured clinical attributes. Findings: The proposed model is evaluated on a large dataset of general populations compared with KDM and other learning-based models. Results demonstrate that biological ages obtained by the proposed model have superior discriminability of subjects' morbidity and mortality.
• Abstract（参考訳）: 背景: 大規模データに基づく潜在表現を得る能力を持つ深層学習技術は, 新たな老化バイオマーカーの発見の潜在的な解決策となりうるが, 既存の生物年齢推定の深層学習手法は, 老化の最も重要な結果である死亡率, 死亡率, 死亡率の考慮の欠如に通常依存する。 方法: 本論文は, 被検者の死亡率と死亡率に関して, 生物学的老化の潜伏表現を学習するための新しい深層学習モデルを提案する。 本モデルは老化と測定された臨床属性の複雑な関係を知るために, 健康診断データに加えて, 死亡情報も活用する。 Findings: 提案モデルは,KDMや他の学習ベースモデルと比較して,一般集団の大規模なデータセットで評価される。 その結果, 本モデルにより得られた生物学的年齢は, 被験者の死亡率と死亡率の識別性に優れていた。

関連論文リスト

• Contrastive Deep Learning Reveals Age Biomarkers in Histopathological Skin Biopsies [0.4517077427559345]
  皮膚生検画像だけでは、個人の年齢を決定するのに十分であることを示す。 次に、皮膚生検の病理組織学的スライドに視覚的特徴を用いて、新しい老化のバイオマーカーを構築した。
  論文  参考訳（メタデータ） (2024-11-25T21:52:01Z)
• Deep Representation Learning for Multi-functional Degradation Modeling of Community-dwelling Aging Population [12.06459578464237]
  本研究では,多機能劣化モデリングのための新しいフレームワークを提案する。 本手法は,高齢者の健康史から健康劣化のスコアを予測し,潜伏した不均一性を明らかにする。 実際のケーススタディでは、高齢者の劣化の複雑なダイナミクスを正確にモデル化する上で、有効性を示し、重要な貢献をしている。
  論文  参考訳（メタデータ） (2024-04-08T15:40:22Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Ordinal Classification with Distance Regularization for Robust Brain Age Prediction [25.555190119033615]
  老化はアルツハイマー病(AD)の主要な危険因子の1つである 脳の年齢は、加齢による構造変化を反映した脳画像から導かれる指標であり、ADの発症を識別し、疾患リスクを評価し、標的とする介入を計画する可能性がある。 磁気共鳴画像(MRI)スキャンによる脳年齢予測のためのディープラーニングに基づく回帰手法は,近年,非常に精度が高い。 これらの手法は平均効果に固有の回帰傾向を受けており、体系的な偏りが生じ、若年者では脳年齢が過大評価され、老年者では過小評価される。
  論文  参考訳（メタデータ） (2023-10-25T20:39:07Z)
• Does pre-training on brain-related tasks results in better deep-learning-based brain age biomarkers? [4.114671069824331]
  脳年齢予測のための深層学習モデルに対する事前学習段階の影響について検討する。 軽度認知障害およびアルツハイマー病患者の画像から得られた脳年齢バイオマーカーを検証した。
  論文  参考訳（メタデータ） (2023-07-11T13:16:04Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• 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)
• SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
  皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。 皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。 本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-22T06:54:29Z)
• Random cohort effects and age groups dependency structure for mortality modelling and forecasting: Mixed-effects time-series model approach [3.450774887322348]
  本稿では, 死亡予測と死亡予測のための混合効果型時系列手法を提案する。 提案手法の能力は、実証的な男女死亡データを用いた2つの応用を通して実証される。
  論文  参考訳（メタデータ） (2021-12-31T01:15:07Z)
• LAE : Long-tailed Age Estimation [52.5745217752147]
  まず、簡単な標準ベースラインを定式化し、事前トレーニング、データ拡張、モデルアーキテクチャなどのトリックを収集することで、はるかに強力なベースラインを構築します。 標準ベースラインと比較して,提案手法は推定誤差を著しく低減する。 本稿では,Long-tailed Age Estimation (LAE) という2段階の学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-25T09:05:44Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)

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。