論文の概要: Deep Reinforcement Learning for Cost-Effective Medical Diagnosis

• arxiv url: http://arxiv.org/abs/2302.10261v1
• Date: Mon, 20 Feb 2023 19:47:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 17:21:03.621339
• Title: Deep Reinforcement Learning for Cost-Effective Medical Diagnosis
• Title（参考訳）: 費用対効果医療診断のための深層強化学習
• Authors: Zheng Yu, Yikuan Li, Joseph Kim, Kaixuan Huang, Yuan Luo, Mengdi Wang
• Abstract要約: 強化学習を用いて、以前の観測結果に基づいて順次実験室のテストパネルを選択する動的ポリシーを探索する。 エンド・ツー・エンドのトレーニングやオンライン学習と互換性のあるセミモデルに基づく深層診断ポリシー最適化フレームワークを提案する。 SM-DDPOは、フェリチン異常検出、敗血症死亡予測、急性腎障害の診断など、様々な臨床的タスクでテストされている。
• 参考スコア（独自算出の注目度）: 41.10546022107126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic diagnosis is desirable when medical tests are costly or time-consuming. In this work, we use reinforcement learning (RL) to find a dynamic policy that selects lab test panels sequentially based on previous observations, ensuring accurate testing at a low cost. Clinical diagnostic data are often highly imbalanced; therefore, we aim to maximize the $F_1$ score instead of the error rate. However, optimizing the non-concave $F_1$ score is not a classic RL problem, thus invalidates standard RL methods. To remedy this issue, we develop a reward shaping approach, leveraging properties of the $F_1$ score and duality of policy optimization, to provably find the set of all Pareto-optimal policies for budget-constrained $F_1$ score maximization. To handle the combinatorially complex state space, we propose a Semi-Model-based Deep Diagnosis Policy Optimization (SM-DDPO) framework that is compatible with end-to-end training and online learning. SM-DDPO is tested on diverse clinical tasks: ferritin abnormality detection, sepsis mortality prediction, and acute kidney injury diagnosis. Experiments with real-world data validate that SM-DDPO trains efficiently and identifies all Pareto-front solutions. Across all tasks, SM-DDPO is able to achieve state-of-the-art diagnosis accuracy (in some cases higher than conventional methods) with up to $85\%$ reduction in testing cost. The code is available at [https://github.com/Zheng321/Blood_Panel].
• Abstract（参考訳）: 医療検査の費用や時間を要する場合には、動的診断が望ましい。 本研究では,強化学習(rl)を用いて,過去の観測に基づいて連続的にラボテストパネルを選択し,低コストで正確なテストを実現する動的ポリシを提案する。 臨床診断データは非常に不均衡な場合が多いため,誤差率の代わりにF_1$スコアを最大化することを目指している。 しかし、$F_1$スコアを最適化することは古典的なRL問題ではなく、標準のRLメソッドを無効にする。 この問題を改善するため,我々は,予算制約付き$f_1$スコアの属性と政策最適化の二重性を活用した報酬形成手法を開発し,予算制約付き$f_1$スコア最大化のためのパレート最適政策のセットを確実に見つける。 複合的な状態空間を扱うために,エンド・ツー・エンドのトレーニングやオンライン学習と互換性のあるセミモデルに基づく深層診断ポリシー最適化(SM-DDPO)フレームワークを提案する。 SM-DDPOは、フェリチン異常検出、敗血症死亡予測、急性腎障害の診断など、様々な臨床的タスクでテストされている。 実世界のデータを用いた実験では、SM-DDPOは効率よくトレーニングし、全てのPareto-frontソリューションを識別する。 全てのタスクにおいて、SM-DDPOは最先端の診断精度(場合によっては従来の方法よりも高い場合)を最大8,5\%のコストで達成することができる。 コードは[https://github.com/Zheng321/Blood_Panel]で入手できる。

関連論文リスト

• A Progressive Single-Modality to Multi-Modality Classification Framework for Alzheimer's Disease Sub-type Diagnosis [40.838012045852]
  現在のアルツハイマー病(AD)の診断には、複数の診断段階から取得した複数のモダリティがあり、それぞれが異なる使用法とコストを持っている。 そこで本研究では,早期の低コスト段階におけるアクセシビリティに基づく診断結果の提供を目的とした,新たな進歩型ADサブタイプ診断フレームワークを提案する。 提案手法を多種多様な公用および家庭内データセット上で評価し,最先端の手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-07-26T02:25:45Z)
• Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
  薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。 DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。 事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
  論文  参考訳（メタデータ） (2024-07-21T15:49:05Z)
• Improving Bias Correction Standards by Quantifying its Effects on Treatment Outcomes [54.18828236350544]
  Propensity score matching (PSM) は、分析のために同等の人口を選択することで選択バイアスに対処する。 異なるマッチング手法は、すべての検証基準を満たす場合でも、同じタスクに対する平均処理効果(ATE)を著しく異なるものにすることができる。 この問題に対処するため,新しい指標A2Aを導入し,有効試合数を削減した。
  論文  参考訳（メタデータ） (2024-07-20T12:42:24Z)
• Calibrated Diverse Ensemble Entropy Minimization for Robust Test-Time Adaptation in Prostate Cancer Detection [4.123522672804104]
  高分解能マイクロ超音波は、リアルタイム前立腺がん検出において有望であることを示す。 深層学習は、超音波に反映された複雑な組織特性を学習するための顕著なツールである。 データ分布の変化により,異なる臨床センターのデータに適用した場合,モデルの性能が低下することを示す。
  論文  参考訳（メタデータ） (2024-07-17T16:20:10Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Auto-FedRL: Federated Hyperparameter Optimization for Multi-institutional Medical Image Segmentation [48.821062916381685]
  Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。 本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。 提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
  論文  参考訳（メタデータ） (2022-03-12T04:11:42Z)
• FIT: a Fast and Accurate Framework for Solving Medical Inquiring and Diagnosing Tasks [10.687562550605739]
  自己診断(Self-diagnosis)は、患者をクエリーし、疾患の予測を行うエージェントを介して、低コストでアクセス可能な医療を提供する。 我々は、次に収集するデータを決定するために情報理論の報酬を使用するFITと呼ばれる競合フレームワークを提案する。 シミュレーションした2つのデータセットから、FITは大規模な検索空間問題に効果的に対処でき、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-12-02T10:12:49Z)
• Noisy Adaptive Group Testing using Bayesian Sequential Experimental Design [63.48989885374238]
  病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。 本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
  論文  参考訳（メタデータ） (2020-04-26T23:41:33Z)
• Semixup: In- and Out-of-Manifold Regularization for Deep Semi-Supervised Knee Osteoarthritis Severity Grading from Plain Radiographs [3.0969191504482247]
  変形性膝関節症(OA)は世界有数の障害因子の一つである。 深層学習法は金の標準Kelgren-Lawrence(KL)グレーディングシステムに従ってOA重症度評価を確実に行うことができる。 ラベルのないデータを活用するための半教師付き学習(SSL)手法であるSemixupアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-04T08:33:36Z)

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。