論文の概要: An Interpretable Machine Learning Model with Deep Learning-based Imaging
Biomarkers for Diagnosis of Alzheimer's Disease
- arxiv url: http://arxiv.org/abs/2308.07778v1
- Date: Tue, 15 Aug 2023 13:54:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-16 12:44:00.450642
- Title: An Interpretable Machine Learning Model with Deep Learning-based Imaging
Biomarkers for Diagnosis of Alzheimer's Disease
- Title(参考訳): Deep Learning-based Imaging Biomarkersを用いたアルツハイマー病診断のための解釈可能な機械学習モデル
- Authors: Wenjie Kang, Bo Li, Janne M. Papma, Lize C. Jiskoot, Peter Paul De
Deyn, Geert Jan Biessels, Jurgen A.H. R. Claassen, Huub A.M. Middelkoop,
Wiesje M. van der Flier, Inez H.G.B. Ramakers, Stefan Klein, Esther E. Bron
- Abstract要約: 本研究では,EBMの強度と,深層学習に基づく特徴抽出を用いた高次元イメージングデータを組み合わせたフレームワークを提案する。
提案手法は,深層学習機能の代わりにボリュームバイオマーカーを用いたESMモデルよりも優れていた。
- 参考スコア(独自算出の注目度): 4.304406827494684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning methods have shown large potential for the automatic early
diagnosis of Alzheimer's Disease (AD). However, some machine learning methods
based on imaging data have poor interpretability because it is usually unclear
how they make their decisions. Explainable Boosting Machines (EBMs) are
interpretable machine learning models based on the statistical framework of
generalized additive modeling, but have so far only been used for tabular data.
Therefore, we propose a framework that combines the strength of EBM with
high-dimensional imaging data using deep learning-based feature extraction. The
proposed framework is interpretable because it provides the importance of each
feature. We validated the proposed framework on the Alzheimer's Disease
Neuroimaging Initiative (ADNI) dataset, achieving accuracy of 0.883 and
area-under-the-curve (AUC) of 0.970 on AD and control classification.
Furthermore, we validated the proposed framework on an external testing set,
achieving accuracy of 0.778 and AUC of 0.887 on AD and subjective cognitive
decline (SCD) classification. The proposed framework significantly outperformed
an EBM model using volume biomarkers instead of deep learning-based features,
as well as an end-to-end convolutional neural network (CNN) with optimized
architecture.
- Abstract(参考訳): 機械学習はアルツハイマー病(AD)の早期診断に大きな可能性を秘めている。
しかし、画像データに基づく機械学習手法では、通常、どのように意思決定するかが不明確であるため、解釈性に乏しいものもある。
説明可能ブースティングマシン(英語: descriptionable boosting machines、ebms)は、一般化加法モデリングの統計的枠組みに基づく解釈可能な機械学習モデルであるが、これまでは表データにのみ用いられてきた。
そこで本研究では,ebmの強度と高次元画像データを組み合わせたディープラーニング特徴抽出手法を提案する。
提案されたフレームワークは、各機能の重要性を提供するため、解釈可能である。
我々は,アルツハイマー病神経イメージングイニシアチブ(ADNI)データセットの枠組みを検証し,ADの0.883とAUCの0.970の精度と制御の分類を行った。
さらに,提案手法を外部テストセットで検証し,ADでは0.778,AUCは0.887,SCD分類では0.778であった。
提案したフレームワークは,ディープラーニングベースの機能ではなく,ボリュームバイオマーカーを用いたESMモデルと,最適化アーキテクチャを備えたエンドツーエンド畳み込みニューラルネットワーク(CNN)を著しく向上させた。
関連論文リスト
- Structure-focused Neurodegeneration Convolutional Neural Network for
Modeling and Classification of Alzheimer's Disease [0.0]
アルツハイマー病(AD)は世界的な課題となり、正確な早期診断の緊急性を強調している。
軽度認知障害 (MCI) とAD (AD) を区別するために, MRI (Machine Resonance Imaging) を併用した臨床技術は, 整合性や信頼性に乏しいため, 障害に遭遇する。
本稿では,画像強調技術であるガンマ補正を統合し,構造に着目した神経変性畳み込みニューラルネットワーク(CNN)アーキテクチャを含む機械学習フレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-08T14:33:57Z) - An Evaluation of Machine Learning Approaches for Early Diagnosis of
Autism Spectrum Disorder [0.0]
自閉症スペクトラム障害(Autistic Spectrum disorder、ASD)は、社会的相互作用、コミュニケーション、反復活動の困難を特徴とする神経疾患である。
本研究は,診断プロセスの強化と自動化を目的として,多様な機械学習手法を用いて重要なASD特性を同定する。
論文 参考訳(メタデータ) (2023-09-20T21:23:37Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - A Machine Learning Approach for Predicting Deterioration in Alzheimer's
Disease [0.0]
本稿では,機械学習を用いたアルツハイマー病の悪化について検討する。
勾配強化を含む6つの機械学習モデルを構築し評価した。
認知正常群のうちどれが劣化したかを予測するCARTを用いて,良好な予測能力を示すことができた。
軽度認知障害群では,Elastic Netによる劣化予測能力は良好であった。
論文 参考訳(メタデータ) (2023-06-17T12:23:35Z) - Clinical Deterioration Prediction in Brazilian Hospitals Based on
Artificial Neural Networks and Tree Decision Models [56.93322937189087]
超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる
XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
論文 参考訳(メタデータ) (2022-12-17T23:29:14Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2022-03-22T06:54:29Z) - Multi-Label Classification of Thoracic Diseases using Dense
Convolutional Network on Chest Radiographs [0.0]
本稿では,高密度畳み込みニューラルネットワーク(DenseNet)とモデル解釈可能性を用いた胸部X線診断モデルを提案する。
我々は前頭前頭X線を用いてモデルを訓練し、受信機動作特性曲線(AUC)の下の領域を含む様々な定量的指標を用いてその性能を評価した。
提案モデルでは,NoduleのAUCスコアは0.655,精度0.66のAUCスコアは0.826で,AUCスコアは0.896,Noduleは0.655であった。
論文 参考訳(メタデータ) (2022-02-08T00:43:57Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - 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) - 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。
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。