論文の概要: A Transformer-based Prediction Method for Depth of Anesthesia During Target-controlled Infusion of Propofol and Remifentanil

• arxiv url: http://arxiv.org/abs/2308.01929v1
• Date: Wed, 2 Aug 2023 13:49:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 15:11:20.701739
• Title: A Transformer-based Prediction Method for Depth of Anesthesia During Target-controlled Infusion of Propofol and Remifentanil
• Title（参考訳）: プロポフォールとレミフェンタニルのターゲット制御注入時の麻酔深度予測法
• Authors: Yongkang He, Siyuan Peng, Mingjin Chen, Zhijing Yang, Yuanhui Chen
• Abstract要約: 本稿では,プロポフォールとレミフェンタニルの薬物注入による麻酔深度予測法を提案する。 実験の結果,提案手法は従来のPK-PDモデルや従来のディープラーニング手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 2.960339091215942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurately predicting anesthetic effects is essential for target-controlled infusion systems. The traditional (PK-PD) models for Bispectral index (BIS) prediction require manual selection of model parameters, which can be challenging in clinical settings. Recently proposed deep learning methods can only capture general trends and may not predict abrupt changes in BIS. To address these issues, we propose a transformer-based method for predicting the depth of anesthesia (DOA) using drug infusions of propofol and remifentanil. Our method employs long short-term memory (LSTM) and gate residual network (GRN) networks to improve the efficiency of feature fusion and applies an attention mechanism to discover the interactions between the drugs. We also use label distribution smoothing and reweighting losses to address data imbalance. Experimental results show that our proposed method outperforms traditional PK-PD models and previous deep learning methods, effectively predicting anesthetic depth under sudden and deep anesthesia conditions.
• Abstract（参考訳）: ターゲット制御型輸液システムでは麻酔効果を正確に予測することが不可欠である。 Bispectral Index(BIS)予測のための従来の(PK-PD)モデルでは、手動でモデルパラメータを選択する必要がある。 近年提案されたディープラーニング手法は,一般トレンドを捉えるだけで,BISの急激な変化を予測できない。 これらの課題に対処するために,プロポフォールとレミフェンタニルの薬物注入による麻酔深度(DOA)の予測法を提案する。 本手法では,長期記憶(LSTM)とゲート残差ネットワーク(GRN)を用いて特徴核融合の効率を向上し,薬剤間の相互作用を発見するための注意機構を適用した。 データ不均衡に対処するためにラベルのスムース化や損失の再重み付けも使用しています。 実験の結果,本手法は従来のPK-PDモデルと従来の深層学習法より優れており,麻酔深度を突然および深部麻酔条件下で効果的に予測できることがわかった。

関連論文リスト

• Reliable Deep Diffusion Tensor Estimation: Rethinking the Power of Data-Driven Optimization Routine [17.516054970588137]
  本研究では,データ駆動型最適化手法であるDoDTIを紹介する。 提案手法はDTIパラメータ推定における最先端性能を実現する。 特に、より優れた一般化、精度、効率を示し、この分野の幅広い応用に高い信頼性を与えている。
  論文  参考訳（メタデータ） (2024-09-04T07:35:12Z)
• DPMesh: Exploiting Diffusion Prior for Occluded Human Mesh Recovery [71.6345505427213]
  DPMeshは、人間のメッシュリカバリを排除した革新的なフレームワークである。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルに埋め込まれた対象構造と空間的関係について、より深い拡散に乗じる。
  論文  参考訳（メタデータ） (2024-04-01T18:59:13Z)
• BeeTLe: A Framework for Linear B-Cell Epitope Prediction and Classification [0.43512163406551996]
  本稿では, 線形B細胞予測と抗体型特異的分類のための, 深層学習に基づく新しいフレームワークを提案する。 そこで本研究では, モデルが抗体の表現を学習するのを助けるために, 固有分解に基づくアミノ酸符号化法を提案する。 最大の公開データベースからキュレートしたデータに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-09-05T09:18:29Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from Dynamic Contrast-Enhanced MRI [37.358265461543716]
  薬物動態パラメータとAIFの両方を推定する新しい未経験深層学習法を提案する。 提案するCycleGANフレームワークは、基礎となる物理モデルに基づいて設計されており、単一のジェネレータと識別器ペアによるよりシンプルなアーキテクチャを実現する。 実験の結果,AIF測定を別途必要とせず,他の方法よりも信頼性の高い薬物動態パラメータが得られた。
  論文  参考訳（メタデータ） (2023-06-07T11:10:10Z)
• Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
  A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。 本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。 また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
  論文  参考訳（メタデータ） (2023-06-01T09:39:32Z)
• Differentially private training of neural networks with Langevin dynamics forcalibrated predictive uncertainty [58.730520380312676]
  その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。 これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
  論文  参考訳（メタデータ） (2021-07-09T08:14:45Z)
• Patient-Specific Seizure Prediction Using Single Seizure Electroencephalography Recording [16.395309518579914]
  本稿では、ウェーブレット変換されたEEGテンソルを畳み込みニューラルネットワーク(CNN)をベースネットワークとし、脳波の変化点を検出するシームズニューラルネットワークに基づく発作予測手法を提案する。 本手法では, 発作予知に複数の発作を応用したモデルに比較して, 10分未満の先天的および間天的データに翻訳する訓練に1回の発作しか必要としない。
  論文  参考訳（メタデータ） (2020-11-14T03:45:17Z)
• Controlling Level of Unconsciousness by Titrating Propofol with Deep Reinforcement Learning [5.276232626689567]
  強化学習は、患者の状態から薬局へのマッピングに適合するために用いられる。 Deep RLは、テーブルをディープニューラルネットワークに置き換え、レジストリデータベースから薬局を学習するために使用されている。
  論文  参考訳（メタデータ） (2020-08-27T18:47:08Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)
• TeCNO: Surgical Phase Recognition with Multi-Stage Temporal Convolutional Networks [43.95869213955351]
  外科的位相認識のための階層的予測補正を行う多段階時間畳み込みネットワーク(MS-TCN)を提案する。 本手法は腹腔鏡下胆嚢摘出術ビデオの2つのデータセットに対して,追加の外科的ツール情報を用いずに徹底的に評価した。
  論文  参考訳（メタデータ） (2020-03-24T10:12:30Z)

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。