論文の概要: Enhanced Mortality Prediction In Patients With Subarachnoid Haemorrhage
Using A Deep Learning Model Based On The Initial CT Scan
- arxiv url: http://arxiv.org/abs/2308.13373v1
- Date: Fri, 25 Aug 2023 13:33:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 13:51:07.479341
- Title: Enhanced Mortality Prediction In Patients With Subarachnoid Haemorrhage
Using A Deep Learning Model Based On The Initial CT Scan
- Title(参考訳): 早期CTスキャンを用いた深部学習モデルによるくも膜下出血患者の死亡予測
- Authors: Sergio Garcia-Garcia, Santiago Cepeda, Dominik Muller, Alejandra
Mosteiro, Ramon Torne, Silvia Agudo, Natalia de la Torre, Ignacio Arrese,
Rosario Sarabia
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像データから高精度な予測を生成することができる。
本研究の目的は,CNN を用いたCT スキャンにより,下垂体出血患者の死亡率を予測することであった。
- 参考スコア(独自算出の注目度): 34.86503928854081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: PURPOSE: Subarachnoid hemorrhage (SAH) entails high morbidity and mortality
rates. Convolutional neural networks (CNN), a form of deep learning, are
capable of generating highly accurate predictions from imaging data. Our
objective was to predict mortality in SAH patients by processing the initial CT
scan on a CNN based algorithm.
METHODS: Retrospective multicentric study of a consecutive cohort of patients
with SAH between 2011-2022. Demographic, clinical and radiological variables
were analyzed. Pre-processed baseline CT scan images were used as the input for
training a CNN using AUCMEDI Framework. Our model's architecture leverages the
DenseNet-121 structure, employing transfer learning principles. The output
variable was mortality in the first three months. Performance of the model was
evaluated by statistical parameters conventionally used in studies involving
artificial intelligence methods.
RESULTS: Images from 219 patients were processed, 175 for training and
validation of the CNN and 44 for its evaluation. 52%(115/219) of patients were
female, and the median age was 58(SD=13.06) years. 18.5%(39/219) were
idiopathic SAH. Mortality rate was 28.5%(63/219). The model showed good
accuracy at predicting mortality in SAH patients exclusively using the images
of the initial CT scan (Accuracy=74%, F1=75% and AUC=82%). CONCLUSION: Modern
image processing techniques based on AI and CNN make possible to predict
mortality in SAH patients with high accuracy using CT scan images as the only
input. These models might be optimized by including more data and patients
resulting in better training, development and performance on tasks which are
beyond the skills of conventional clinical knowledge.
- Abstract(参考訳): PURPOSE: くも膜下出血(SAH)は高い死亡率と死亡率をもたらす。
ディープラーニングの一種である畳み込みニューラルネットワーク(CNN)は、画像データから高精度な予測を生成することができる。
CNN を用いた初期CT スキャンによりSAH 患者の死亡率を予測することを目的とした。
方法:2011-2022年におけるSAH患者連続コホートの検討
デモグラフィー,臨床および放射線学的変数を解析した。
AUCMEDI Frameworkを用いてCNNをトレーニングするための入力として,前処理したベースラインCTスキャン画像を用いた。
我々のモデルアーキテクチャはDenseNet-121構造を利用し、転送学習の原則を採用している。
アウトプット変数は、最初の3ヶ月で死亡していた。
モデルの性能は、従来人工知能法に関する研究で用いられてきた統計パラメータによって評価された。
結果: 219例, 訓練用175例, 評価用44例であった。
52%(115/219) が女性で, 平均年齢は58(SD=13.06) であった。
18.5%(39/219)は特発性SAHであった。
死亡率は28.5%(63/219)であった。
モデルでは,初期ctスキャン画像のみを用いてsah患者の死亡率を予測する精度が向上した(精度74%,f1=75%,auc=82%)。
結論: 最新のAIとCNNに基づく画像処理技術により, CTスキャン画像のみを入力として高精度なSAH患者の死亡率を予測することができる。
これらのモデルは、従来の臨床知識のスキルを超えて、より良いトレーニング、開発、パフォーマンスをもたらすより多くのデータと患者を含めることで最適化される可能性がある。
関連論文リスト
- LCDctCNN: Lung Cancer Diagnosis of CT scan Images Using CNN Based Model [0.0]
我々は,CTスキャン画像を用いた肺がん早期検出のためのディープラーニングモデルに基づく畳み込みニューラルネットワークフレームワークを提案する。
精度は92%、AUCは98.21%、リコールは91.72%、損失は0.328である。
論文 参考訳(メタデータ) (2023-04-10T18:47:20Z) - Improving COVID-19 CT Classification of CNNs by Learning
Parameter-Efficient Representation [31.51725965329019]
深層学習法は, コンピュータ断層撮影による新型コロナウイルスの自動診断を支援するために提案されている。
DenseNet121は、正常、非COVID-19肺炎、COVID-19肺炎を含む3つのカテゴリーの分類で、平均99.44%の検査精度を達成している。
論文 参考訳(メタデータ) (2022-08-09T12:24:53Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳(メタデータ) (2022-03-20T21:00:10Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - A self-supervised learning strategy for postoperative brain cavity
segmentation simulating resections [46.414990784180546]
畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。
CNNはトレーニングに大量の注釈付きデータセットを必要とする。
自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
論文 参考訳(メタデータ) (2021-05-24T12:27:06Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - A hybrid machine learning/deep learning COVID-19 severity predictive
model from CT images and clinical data [0.0]
患者を非icuとicuの2つのカテゴリーに分類するハイブリッド機械学習/深層学習モデルを開発した。
ベースラインCT画像の3次元患者レベルのCNN分類器を特徴抽出器として用いる。
本モデルは,臨床診断を医師に提供し,結果クラスに属する確率スコアと特徴のケースベースSHAPによる解釈を提供することを目的としている。
論文 参考訳(メタデータ) (2021-05-13T08:39:56Z) - CNN AE: Convolution Neural Network combined with Autoencoder approach to
detect survival chance of COVID 19 patients [11.121959969774327]
臨床情報に基づいて訓練したCNNを用いて、新型コロナウイルス患者の生存率を予測する新しいCNN-AE法を提案する。
予測精度をさらに高めるために、CNNをオートエンコーダと組み合わせて使用します。
論文 参考訳(メタデータ) (2021-04-18T20:31:17Z) - Transfer Learning with Ensembles of Deep Neural Networks for Skin Cancer
Classification in Imbalanced Data Sets [0.6802401545890961]
医療画像から皮膚癌を正確に分類するための機械学習技術が報告されている。
多くのテクニックは、訓練済みの畳み込みニューラルネットワーク(CNN)に基づいており、限られたトレーニングデータに基づいてモデルをトレーニングすることができる。
本稿では,複数のcnnモデルが事前学習され,一部は手元のデータのみにトレーニングされ,患者情報(メタデータ)はメタリーナーを用いて結合される,新しいアンサンブルベースのcnnアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-03-22T06:04:45Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳(メタデータ) (2020-07-20T19:08:50Z)
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。