論文の概要: Multitask Deep Learning for Accurate Risk Stratification and Prediction
of Next Steps for Coronary CT Angiography Patients
- arxiv url: http://arxiv.org/abs/2309.00330v1
- Date: Fri, 1 Sep 2023 08:34:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-04 14:00:37.394938
- Title: Multitask Deep Learning for Accurate Risk Stratification and Prediction
of Next Steps for Coronary CT Angiography Patients
- Title（参考訳）: 冠動脈造影ctにおけるリスク階層化と次のステップ予測のための多タスク深層学習
- Authors: Juan Lu, Mohammed Bennamoun, Jonathon Stewart, JasonK.Eshraghian,
Yanbin Liu, Benjamin Chow, Frank M.Sanfilippo and Girish Dwivedi
- Abstract要約: リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。
提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
- 参考スコア（独自算出の注目度）: 26.50934421749854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diagnostic investigation has an important role in risk stratification and
clinical decision making of patients with suspected and documented Coronary
Artery Disease (CAD). However, the majority of existing tools are primarily
focused on the selection of gatekeeper tests, whereas only a handful of systems
contain information regarding the downstream testing or treatment. We propose a
multi-task deep learning model to support risk stratification and down-stream
test selection for patients undergoing Coronary Computed Tomography Angiography
(CCTA). The analysis included 14,021 patients who underwent CCTA between 2006
and 2017. Our novel multitask deep learning framework extends the state-of-the
art Perceiver model to deal with real-world CCTA report data. Our model
achieved an Area Under the receiver operating characteristic Curve (AUC) of
0.76 in CAD risk stratification, and 0.72 AUC in predicting downstream tests.
Our proposed deep learning model can accurately estimate the likelihood of CAD
and provide recommended downstream tests based on prior CCTA data. In clinical
practice, the utilization of such an approach could bring a paradigm shift in
risk stratification and downstream management. Despite significant progress
using deep learning models for tabular data, they do not outperform gradient
boosting decision trees, and further research is required in this area.
However, neural networks appear to benefit more readily from multi-task
learning than tree-based models. This could offset the shortcomings of using
single task learning approach when working with tabular data.
- Abstract（参考訳）: 冠状動脈疾患(CAD)のリスク層化と臨床的意思決定において,診断研究は重要な役割を担っている。
しかし、既存のツールの大部分は、主にゲートキーパーテストの選択に焦点を当てているが、下流のテストや治療に関する情報を含むシステムはわずかである。
冠動脈CT(Corary Computed Tomography Angiography)を施行した患者のリスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。
分析対象は2006年から2017年までのccta患者14,021名であった。
新しいマルチタスクディープラーニングフレームワークは,実世界のcctaレポートデータを扱うために,最先端の知覚モデルを拡張する。
提案モデルでは,CADのリスク層化においてAUCが0.76であり,下流試験では0.72AUCが得られた。
提案する深層学習モデルは,cadの可能性を正確に推定し,cctaデータに基づく推奨下流テストを提供する。
臨床実践においては、そのようなアプローチの利用は、リスク階層化と下流管理のパラダイムシフトをもたらす可能性がある。
表データにディープラーニングモデルを用いるという大きな進歩にもかかわらず、勾配ブースティング決定木を上回ることはなく、この分野ではさらなる研究が必要である。
しかし、ニューラルネットワークはツリーベースモデルよりもマルチタスク学習の恩恵を受けやすいようだ。
これは、表データを扱う際の単一タスク学習アプローチの欠点を相殺する可能性がある。
関連論文リスト
- Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - MM-SurvNet: Deep Learning-Based Survival Risk Stratification in Breast
Cancer Through Multimodal Data Fusion [18.395418853966266]
乳がん生存リスク階層化のための新しい深層学習手法を提案する。
画像特徴抽出には視覚変換器、特にMaxViTモデルを使用し、患者レベルでの複雑な画像関係のキャプチャには自己注意を用いる。
二重クロスアテンション機構はこれらの特徴を遺伝データと融合させ、臨床データを最終層に組み込んで予測精度を高める。
論文 参考訳（メタデータ） (2024-02-19T02:31:36Z) - Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。
本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。
病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文 参考訳（メタデータ） (2023-12-11T21:53:40Z) - AI Framework for Early Diagnosis of Coronary Artery Disease: An
Integration of Borderline SMOTE, Autoencoders and Convolutional Neural
Networks Approach [0.44998333629984877]
我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。
実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
論文 参考訳（メタデータ） (2023-08-29T14:33:38Z) - Self-supervised Model Based on Masked Autoencoders Advance CT Scans
Classification [0.0]
本稿では,自己教師付き学習アルゴリズムMAEに着想を得た。
ImageNetで事前トレーニングされたMAEモデルを使用して、CT Scansデータセット上で転送学習を実行する。
この方法はモデルの一般化性能を改善し、小さなデータセットに過度に適合するリスクを回避する。
論文 参考訳（メタデータ） (2022-10-11T00:52:05Z) - DeepTechnome: Mitigating Unknown Bias in Deep Learning Based Assessment
of CT Images [44.62475518267084]
私たちは、未知のバイアスに対するトレーニング中にディープラーニングモデルをデバイアスします。
制御領域は、バイアスに関する情報を伝達する代理として使用します。
強いバイアスを示すデータから学習する手法を応用し、対応する偏りのないデータを用いたトレーニングで観測された分類性能をほぼ完全に回復する。
論文 参考訳（メタデータ） (2022-05-26T12:18:48Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳（メタデータ） (2022-05-10T16:22:16Z) - Automatic CAD-RADS Scoring Using Deep Learning [5.789689435835229]
The CAD-Reporting and Data System (CAD-RADS) has developed to standardize communication and help in decision making based on CCTA findings。
CAD-RADSスコアは, 冠状動脈内病変の経時的評価と, 冠状動脈内病変の経時的評価によって決定される。
本稿では,冠状動脈の分節的表現に基づく深層学習を用いて,このスコアの完全自動予測のためのボトムアップ手法を提案する。
論文 参考訳（メタデータ） (2020-10-05T12:48:15Z) - 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) - CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint
Identification and Severity Quantification [45.86448200141968]
感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。
両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。
我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
論文 参考訳（メタデータ） (2020-06-02T08:05:06Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。