Fugu-MT 論文翻訳(概要): Large language models improve Alzheimer's disease diagnosis using multi-modality data

論文の概要: Large language models improve Alzheimer's disease diagnosis using multi-modality data

arxiv url: http://arxiv.org/abs/2305.19280v1
Date: Fri, 26 May 2023 18:42:19 GMT
ステータス: 処理完了
システム内更新日: 2023-06-04 10:59:18.489468
Title: Large language models improve Alzheimer's disease diagnosis using multi-modality data
Title（参考訳）: マルチモダリティデータを用いた大言語モデルによるアルツハイマー病診断の改善
Authors: Yingjie Feng, Jun Wang, Xianfeng Gu, Xiaoyin Xu, and Min Zhang
Abstract要約: 患者情報、遺伝データ、医薬品情報、認知検査、記憶検査などの非画像データも、診断において非常に重要な役割を担っている。我々は、現在非常に人気のある訓練済みの大規模言語モデル(LLM)を使用して、非画像データを利用するモデルの能力を強化する。
参考スコア（独自算出の注目度）: 19.535491994272245
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In diagnosing challenging conditions such as Alzheimer's disease (AD), imaging is an important reference. Non-imaging patient data such as patient information, genetic data, medication information, cognitive and memory tests also play a very important role in diagnosis. Effect. However, limited by the ability of artificial intelligence models to mine such information, most of the existing models only use multi-modal image data, and cannot make full use of non-image data. We use a currently very popular pre-trained large language model (LLM) to enhance the model's ability to utilize non-image data, and achieved SOTA results on the ADNI dataset.
Abstract（参考訳）: アルツハイマー病(AD)などの難病の診断においては,画像診断が重要である。患者情報、遺伝子データ、薬物情報、認知検査、記憶検査などの非画像データも、診断において非常に重要な役割を果たす。エフェクト。しかし、そのような情報をマイニングする人工知能モデルの能力によって制限されるため、既存のモデルのほとんどはマルチモーダル画像データのみを使用し、非画像データを完全に利用することはできない。我々は、現在非常に人気のある訓練済みの大規模言語モデル(LLM)を使用して、非画像データを利用するモデルの能力を高め、ADNIデータセット上でSOTA結果を得た。

関連論文リスト

Multi-OCT-SelfNet: Integrating Self-Supervised Learning with Multi-Source Data Fusion for Enhanced Multi-Class Retinal Disease Classification [2.5091334993691206]
網膜疾患診断のための堅牢なディープラーニングモデルの開発には、トレーニングのためのかなりのデータセットが必要である。より小さなデータセットで効果的に一般化する能力は、依然として永続的な課題である。さまざまなデータソースを組み合わせて、パフォーマンスを改善し、新しいデータに一般化しています。
論文参考訳（メタデータ） (2024-09-17T17:22:35Z)
Toward Robust Early Detection of Alzheimer's Disease via an Integrated Multimodal Learning Approach [5.9091823080038814]
アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶障害、執行機能障害、性格変化を特徴とする複雑な神経変性疾患である。本研究では,臨床,認知,神経画像,脳波データを統合した高度なマルチモーダル分類モデルを提案する。
論文参考訳（メタデータ） (2024-08-29T08:26:00Z)
A Disease-Specific Foundation Model Using Over 100K Fundus Images: Release and Validation for Abnormality and Multi-Disease Classification on Downstream Tasks [0.0]
基礎画像の異常を検出するための教師付き人工知能モデルであるFundus-Specific Pretrained Model(Image+Fundus)を開発した。 57,803枚の画像を用いて、この事前訓練されたモデルを開発し、様々な下流タスクにおいて優れた性能を実現した。
論文参考訳（メタデータ） (2024-08-16T15:03:06Z)
VISION-MAE: A Foundation Model for Medical Image Segmentation and Classification [36.8105960525233]
医用画像に特化して設計された新しい基礎モデルVISION-MAEを提案する。 VISION-MAEは、様々なモダリティから250万枚の未ラベル画像のデータセットでトレーニングされている。その後、明示的なラベルを使って分類とセグメンテーションのタスクに適応する。
論文参考訳（メタデータ） (2024-02-01T21:45:12Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
Robust Alzheimer's Progression Modeling using Cross-Domain Self-Supervised Deep Learning [3.0948853907734044]
我々は,医学画像を入力として回帰問題として,疾患予測モデリングのためのクロスドメイン自己教師型学習手法を開発した。脳MRIによるアルツハイマー病の進行予測を,自己指導型プレトレーニングで改善できることを実証した。また,脳MRIデータの拡張(ラベル付きではない)による事前トレーニングは,自然画像上での事前トレーニングよりも優れていた。
論文参考訳（メタデータ） (2022-11-15T23:04:15Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文参考訳（メタデータ） (2020-10-14T16:50:50Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。