論文の概要: Extracting Diagnosis Pathways from Electronic Health Records Using Deep
Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2305.06295v1
- Date: Wed, 10 May 2023 16:36:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 12:15:18.868618
- Title: Extracting Diagnosis Pathways from Electronic Health Records Using Deep
Reinforcement Learning
- Title(参考訳): 深層強化学習を用いた電子健康記録からの診断経路抽出
- Authors: Lillian Muyama, Antoine Neuraz and Adrien Coulet
- Abstract要約: 臨床診断ガイドラインは、診断につながるステップを特定することを目的としている。
ガイドラインは、臨床的決定の合理化と正規化を可能にするが、人口の大多数をカバーするために構築されているため欠点に悩まされ、異常な状態や多発病の患者に対して適切な診断を下すのに失敗する可能性がある。
本研究は,電子健康記録(EHR)で訓練された深層強化学習(DRL)アルゴリズムを用いて,適切な診断を得るための最適な観察シーケンスを学習する。
- 参考スコア(独自算出の注目度): 2.855710004159538
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical diagnosis guidelines aim at specifying the steps that may lead to a
diagnosis. Guidelines enable rationalizing and normalizing clinical decisions
but suffer drawbacks as they are built to cover the majority of the population
and may fail in guiding to the right diagnosis for patients with uncommon
conditions or multiple pathologies. Moreover, their updates are long and
expensive, making them unsuitable to emerging practices. Inspired by
guidelines, we formulate the task of diagnosis as a sequential decision-making
problem and study the use of Deep Reinforcement Learning (DRL) algorithms
trained on Electronic Health Records (EHRs) to learn the optimal sequence of
observations to perform in order to obtain a correct diagnosis. Because of the
variety of DRL algorithms and of their sensitivity to the context, we
considered several approaches and settings that we compared to each other, and
to classical classifiers. We experimented on a synthetic but realistic dataset
to differentially diagnose anemia and its subtypes and particularly evaluated
the robustness of various approaches to noise and missing data as those are
frequent in EHRs. Within the DRL algorithms, Dueling DQN with Prioritized
Experience Replay, and Dueling Double DQN with Prioritized Experience Replay
show the best and most stable performances. In the presence of imperfect data,
the DRL algorithms show competitive, but less stable performances when compared
to the classifiers (Random Forest and XGBoost); although they enable the
progressive generation of a pathway to the suggested diagnosis, which can both
guide or explain the decision process.
- Abstract(参考訳): 臨床診断ガイドラインは、診断につながるステップを特定することを目的としている。
ガイドラインは、臨床判断の合理化と正規化を可能にするが、人口の大半をカバーするように構築され、まれな疾患や複数の病理疾患を有する患者の適切な診断に導くのに失敗する可能性があるため、欠点を被る。
さらに、彼らの更新は長くて高価であり、新興のプラクティスには適さない。
ガイドラインに触発されて,逐次的意思決定問題として診断課題を定式化し,電子健康記録(ehrs)で学習した深層強化学習(drl)アルゴリズムを用いて,適切な診断を得るために最適な観察順序を学習する。
DRLアルゴリズムの多種多様さと文脈に対する感受性から,比較したいくつかのアプローチや設定,古典的分類器について検討した。
貧血とそのサブタイプを鑑別的に診断するための合成的かつ現実的なデータセットを実験し,ehlsで頻繁に発生するノイズや欠落データに対する様々なアプローチのロバスト性を評価した。
DRLアルゴリズムでは、DQNを優先順位付き体験再生で、DQNを優先度付き体験再生で、DQNを優先度付き体験再生で、最高の、最も安定したパフォーマンスを示す。
不完全なデータが存在する場合、DRLアルゴリズムは分類器(ランサムフォレストとXGBoost)と比較して競合するが、安定した性能を示す。
関連論文リスト
- Deep Reinforcement Learning for Personalized Diagnostic Decision Pathways Using Electronic Health Records: A Comparative Study on Anemia and Systemic Lupus Erythematosus [1.7965876401882177]
我々は、診断のタスクをシーケンシャルな意思決定問題として定式化する。
本研究では,Deep Reinforcement Learning (DRL)アルゴリズムを用いて,行動の最適なシーケンスを学習する。
貧血と全身性エリテマトーデスの2症例を経験したので報告する。
論文 参考訳(メタデータ) (2024-04-09T00:07:16Z) - EndoOOD: Uncertainty-aware Out-of-distribution Detection in Capsule
Endoscopy Diagnosis [11.82953216903558]
ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化管(GI)の可視化を可能にする非侵襲的診断法である。
深層学習に基づく手法は、WCEデータを用いた疾患スクリーニングの有効性を示した。
既存のカプセル内視鏡分類法は、主に事前に定義されたカテゴリーに依存している。
論文 参考訳(メタデータ) (2024-02-18T06:54:51Z) - Medical Dialogue Generation via Intuitive-then-Analytical Differential
Diagnosis [14.17497921394565]
Intuitive-then-Analytic Differential Diagnosis (IADDx) を用いた医用対話生成フレームワークを提案する。
本手法は,検索に基づく直感的アソシエーション(直感的アソシエーション)によるディファレンス診断から始まり,その後,グラフ強化解析手法により精査する。
提案手法の有効性を2つのデータセットで検証した。
論文 参考訳(メタデータ) (2024-01-12T12:35:19Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳(メタデータ) (2023-07-30T16:08:45Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳(メタデータ) (2022-06-02T07:57:17Z) - MMLN: Leveraging Domain Knowledge for Multimodal Diagnosis [10.133715767542386]
肺疾患診断のための知識駆動型およびデータ駆動型フレームワークを提案する。
本研究は, 臨床医学ガイドラインに従って診断規則を定式化し, テキストデータから規則の重みを学習する。
テキストと画像データからなるマルチモーダル融合は、肺疾患の限界確率を推定するために設計されている。
論文 参考訳(メタデータ) (2022-02-09T04:12:30Z) - Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of
Reinforcement Learning and Classification [0.6415701940560564]
そこで本研究では,それぞれに強化学習課題と分類課題として定式化された症状検索と疾患診断を併用した医学的自動診断法を提案する。
我々はMedlinePlus知識ベースから抽出された新しいデータセットを作成し、より多くの病気とより完全な症状情報を含む。
実験結果から,本手法は異なるデータセット上での3つの最新手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-12-01T11:25:42Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳(メタデータ) (2021-10-05T19:14:46Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳(メタデータ) (2020-10-07T08:36:44Z)
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。