論文の概要: Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience

• arxiv url: http://arxiv.org/abs/2308.03175v2
• Date: Fri, 13 Sep 2024 02:11:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-16 23:56:50.589800
• Title: Adapting Machine Learning Diagnostic Models to New Populations Using a Small Amount of Data: Results from Clinical Neuroscience
• Title（参考訳）: 少量のデータを用いた機械学習診断モデルの新規人口への適応:臨床神経科学の成果
• Authors: Rongguang Wang, Guray Erus, Pratik Chaudhari, Christos Davatzikos,
• Abstract要約: 我々は、ソースグループからのデータを最適に組み合わせ、ターゲットグループで予測する、重み付き経験的リスク最小化手法を開発した。 本研究では,アルツハイマー病の診断と脳年齢推定のためのMLモデルを構築するため,20の神経画像研究から15,363人のマルチソースデータに適用した。
• 参考スコア（独自算出の注目度）: 21.420302408947194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has shown great promise for revolutionizing a number of areas, including healthcare. However, it is also facing a reproducibility crisis, especially in medicine. ML models that are carefully constructed from and evaluated on a training set might not generalize well on data from different patient populations or acquisition instrument settings and protocols. We tackle this problem in the context of neuroimaging of Alzheimer's disease (AD), schizophrenia (SZ) and brain aging. We develop a weighted empirical risk minimization approach that optimally combines data from a source group, e.g., subjects are stratified by attributes such as sex, age group, race and clinical cohort to make predictions on a target group, e.g., other sex, age group, etc. using a small fraction (10%) of data from the target group. We apply this method to multi-source data of 15,363 individuals from 20 neuroimaging studies to build ML models for diagnosis of AD and SZ, and estimation of brain age. We found that this approach achieves substantially better accuracy than existing domain adaptation techniques: it obtains area under curve greater than 0.95 for AD classification, area under curve greater than 0.7 for SZ classification and mean absolute error less than 5 years for brain age prediction on all target groups, achieving robustness to variations of scanners, protocols, and demographic or clinical characteristics. In some cases, it is even better than training on all data from the target group, because it leverages the diversity and size of a larger training set. We also demonstrate the utility of our models for prognostic tasks such as predicting disease progression in individuals with mild cognitive impairment. Critically, our brain age prediction models lead to new clinical insights regarding correlations with neurophysiological tests.
• Abstract（参考訳）: 機械学習(ML)は、医療を含む多くの分野に革命をもたらす大きな可能性を示している。 しかし、特に医学において再現性の危機に直面している。 トレーニングセットから慎重に構築され、評価されたMLモデルは、異なる患者集団や取得機器の設定やプロトコルのデータに基づいてうまく一般化できないかもしれない。 我々は、アルツハイマー病(AD)、統合失調症(SZ)、脳老化の神経画像化の文脈でこの問題に取り組む。 対象群からのデータ(例えば、性別、年齢、人種、臨床コホートなど)を最適に組み合わせて、対象群、性別、性別、年齢等の予測を行う重み付き経験的リスク最小化手法を開発した。 本手法は、20の神経画像研究から得られた15,363人のマルチソースデータに応用し、ADとSZの診断のためのMLモデルを構築し、脳年齢を推定する。 提案手法は,AD分類で0.95以上,SZ分類で0.7以上,脳年齢予測で5年未満で絶対誤差が得られ,スキャナ,プロトコル,人口統計学的特徴の変動に対する堅牢性を実現している。 より大きなトレーニングセットの多様性とサイズを活用するため、ターゲットグループのすべてのデータをトレーニングするよりも、さらによい場合もあります。 また,軽度認知障害者における疾患進行の予測など,予後タスクのためのモデルの有用性を実証した。 批判的に、我々の脳年齢予測モデルは、神経生理学的検査との相関に関する新しい臨床的洞察をもたらす。

関連論文リスト

• Generative models of MRI-derived neuroimaging features and associated dataset of 18,000 samples [17.576301478946775]
  GenMINDは、構造的脳画像から派生した規範的地域容積特徴の生成モデルである。 成人の寿命(22～90歳)にまたがる18,000の合成サンプルと、無制限のデータを生成するモデルの能力を提供する。
  論文  参考訳（メタデータ） (2024-07-17T15:33:10Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• A Hybrid Transfer Learning Assisted Decision Support System for Accurate Prediction of Alzheimer Disease [0.0]
  アルツハイマー病は高齢者で最も一般的な長期疾患である。 ディープニューラルモデルは一般的な機械学習よりも正確で効果的である。
  論文  参考訳（メタデータ） (2023-10-13T06:48:38Z)
• 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)
• Machine Learning Models Are Not Necessarily Biased When Constructed Properly: Evidence from Neuroimaging Studies [19.288217559980545]
  我々は、適切に訓練された機械学習モデルが、様々な条件にまたがって適切に一般化できる実験データを提供する。 具体的には、アルツハイマー病、統合失調症、自閉症スペクトラム障害の診断にマルチスタディ磁気共鳴画像コンソーシアを用いて、よく訓練されたモデルの精度が、異なるサブグループ間で一致していることが判明した。
  論文  参考訳（メタデータ） (2022-05-26T15:24:39Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• Risk of Training Diagnostic Algorithms on Data with Demographic Bias [0.5599792629509227]
  医用画像解析アプリケーションにおけるMICCAI 2018の実践を調査するために,MICCAI 2018の手順を調査した。 意外なことに、診断に焦点を当てた論文では、使用されるデータセットの人口統計がほとんど書かれていないことが判明した。 本研究では,非偏りのある特徴を,対向的な学習環境において,人口統計変数を明示的に使用することにより学習可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-20T13:51:01Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。