Fugu-MT 論文翻訳(概要): LMT: Longitudinal Mixing Training, a Framework to Predict Disease Progression from a Single Image

論文の概要: LMT: Longitudinal Mixing Training, a Framework to Predict Disease Progression from a Single Image

arxiv url: http://arxiv.org/abs/2310.10420v1
Date: Mon, 16 Oct 2023 14:01:20 GMT
ステータス: 処理完了
システム内更新日: 2023-10-17 14:07:38.965965
Title: LMT: Longitudinal Mixing Training, a Framework to Predict Disease Progression from a Single Image
Title（参考訳）: lmt:縦型混合訓練 : 一つの画像から疾患の進行を予測する枠組み
Authors: Rachid Zeghlache, Pierre-Henri Conze, Mostafa El Habib Daho, Yihao Li, Hugo Le boite, Ramin Tadayoni, Pascal Massin, B\'eatrice Cochener, Ikram Brahim, Gwenol\'e Quellec, and Mathieu Lamard
Abstract要約: 本稿では,2つの連続試験間の重み付き平均時間である$t_mix$を用いて,時間認識モデルのトレーニングを行う新しい方法を提案する。 AUCは0.798で、視線は0.641で、視線は1枚の画像で重篤なDRを発生させるかどうかを予測した。
参考スコア（独自算出の注目度）: 1.805673949640389
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Longitudinal imaging is able to capture both static anatomical structures and dynamic changes in disease progression toward earlier and better patient-specific pathology management. However, conventional approaches rarely take advantage of longitudinal information for detection and prediction purposes, especially for Diabetic Retinopathy (DR). In the past years, Mix-up training and pretext tasks with longitudinal context have effectively enhanced DR classification results and captured disease progression. In the meantime, a novel type of neural network named Neural Ordinary Differential Equation (NODE) has been proposed for solving ordinary differential equations, with a neural network treated as a black box. By definition, NODE is well suited for solving time-related problems. In this paper, we propose to combine these three aspects to detect and predict DR progression. Our framework, Longitudinal Mixing Training (LMT), can be considered both as a regularizer and as a pretext task that encodes the disease progression in the latent space. Additionally, we evaluate the trained model weights on a downstream task with a longitudinal context using standard and longitudinal pretext tasks. We introduce a new way to train time-aware models using $t_{mix}$, a weighted average time between two consecutive examinations. We compare our approach to standard mixing training on DR classification using OPHDIAT a longitudinal retinal Color Fundus Photographs (CFP) dataset. We were able to predict whether an eye would develop a severe DR in the following visit using a single image, with an AUC of 0.798 compared to baseline results of 0.641. Our results indicate that our longitudinal pretext task can learn the progression of DR disease and that introducing $t_{mix}$ augmentation is beneficial for time-aware models.
Abstract（参考訳）: 経時的イメージングは、静的解剖学的構造と疾患進行のダイナミックな変化の両方を、より早くより優れた患者固有の病理管理に向けて捉えることができる。しかし、従来のアプローチでは、特に糖尿病網膜症(DR)において、検出および予測目的の経時的情報を活用することはめったにない。近年,縦断的文脈を伴うミックスアップトレーニングとプリテキストタスクは,dr分類結果とキャプチャー疾患の進行を効果的に改善している。その間、ニューラルネットワークをブラックボックスとして扱う通常の微分方程式を解くために、ニューラル正規微分方程式(NODE)と呼ばれる新しいタイプのニューラルネットワークが提案されている。定義上、NODEは時間関連の問題を解決するのに適している。本稿では,DR進行の検出と予測にこれら3つの側面を組み合わせることを提案する。我々のフレームワークであるLMT(Longitudinal Mixing Training)は、正規化と、潜在空間における疾患進行を符号化するプリテキストタスクの両方とみなすことができる。さらに, 標準および縦方向のプリテキストタスクを用いて, 縦方向コンテキストを用いた下流タスクのモデル重み評価を行った。 2回の連続試験の間の重み付け平均時間である$t_{mix}$を用いて,時間認識モデルのトレーニング方法を提案する。我々は、縦型網膜色素写真(CFP)データセットOPHDIATを用いたDR分類の標準混合訓練に対するアプローチの比較を行った。 aucは0.641の基準値と比較して0.798の1枚の画像を用いて、次の訪問で目が重度のdrを発症するかどうかを予測できた。以上の結果から, DR 病の進行を学習し, $t_{mix}$ augmentation を導入することは, 時間認識モデルに有用であることが示唆された。

関連論文リスト

Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
論文参考訳（メタデータ） (2024-10-28T15:54:50Z)
3DTINC: Time-Equivariant Non-Contrastive Learning for Predicting Disease Progression from Longitudinal OCTs [8.502838668378432]
本研究では,非コントラスト学習に基づく縦型自己教師型学習手法である3DTINCを提案する。 3次元光コヒーレンストモグラフィ(OCT)ボリュームの摂動不変特性をOCT用に特別に設計した拡張を用いて学習するように設計されている。加齢黄斑変性(AMD)などの網膜疾患の進行を予測するためには,この時間的情報が不可欠であることを示す実験を行った。
論文参考訳（メタデータ） (2023-12-28T11:47:12Z)
tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time Dynamic Prediction [19.38247205641199]
本研究では,時間依存型Coxサバイバルニューラルネットワーク(tdCoxSNN)を提案する。提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
論文参考訳（メタデータ） (2023-07-12T03:03:40Z)
Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文参考訳（メタデータ） (2023-04-14T09:39:06Z)
Detection of diabetic retinopathy using longitudinal self-supervised learning [0.57961065199507]
糖尿病網膜症診断における自己指導型学習の有用性について検討した。縦型自己教師型学習法(LSSL)を用いて,縦型網膜色素眼底画像から疾患進行をモデル化した。その結果、ベースライン(スクラッチから訓練されたモデル)に対して0.875のAUCと、凍結したLSSL重みを持つ単純なResNetのようなアーキテクチャを用いて、初期核融合時にp値2.2e-16を持つ0.96のAUCが達成された。
論文参考訳（メタデータ） (2022-09-02T09:50:31Z)
Metadata-enhanced contrastive learning from retinal optical coherence tomography images [7.932410831191909]
従来のコントラストフレームワークを新しいメタデータ強化戦略で拡張する。本手法では,画像間のコントラスト関係の真のセットを近似するために,患者メタデータを広く活用する。提案手法は、6つの画像レベル下流タスクのうち5つにおいて、標準コントラスト法と網膜画像基盤モデルの両方に優れる。
論文参考訳（メタデータ） (2022-08-04T08:53:15Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文参考訳（メタデータ） (2020-10-28T15:05:08Z)
Development and Validation of a Novel Prognostic Model for Predicting AMD Progression Using Longitudinal Fundus Images [6.258161719849178]
本研究では,不均一な時間間隔の縦画像データを用いて,疾患の進行を予測できる新しい深層学習手法を提案する。年齢関連黄斑変性症(AMD)を呈する4903眼における眼底画像の経時的データセットについて検討した。本手法では, 0.878の感度, 0.887の特異性, 0.950の受信機動作特性下での面積を測定できる。
論文参考訳（メタデータ） (2020-07-10T00:33:19Z)
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。