論文の概要: Devil in the Landscapes: Inferring Epidemic Exposure Risks from Street View Imagery

• arxiv url: http://arxiv.org/abs/2311.09240v1
• Date: Thu, 9 Nov 2023 02:52:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 00:58:22.203226
• Title: Devil in the Landscapes: Inferring Epidemic Exposure Risks from Street View Imagery
• Title（参考訳）: 風景の中の悪魔:ストリートビュー画像から伝染病のリスクを推測する
• Authors: Zhenyu Han, Yanxin Xi, Tong Xia, Yu Liu, Yong Li
• Abstract要約: 本稿では,ヒトの移動性から発生する疾患の伝達パターンを捉えるために,GCN(Transfer-Aware Graph Convolutional Network)を提案する。 実験の結果,提案モデルはF1の重み付きF1において,ベースラインモデルよりも8.54%優れていた。
• 参考スコア（独自算出の注目度）: 10.491325908552014
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Built environment supports all the daily activities and shapes our health. Leveraging informative street view imagery, previous research has established the profound correlation between the built environment and chronic, non-communicable diseases; however, predicting the exposure risk of infectious diseases remains largely unexplored. The person-to-person contacts and interactions contribute to the complexity of infectious disease, which is inherently different from non-communicable diseases. Besides, the complex relationships between street view imagery and epidemic exposure also hinder accurate predictions. To address these problems, we construct a regional mobility graph informed by the gravity model, based on which we propose a transmission-aware graph convolutional network (GCN) to capture disease transmission patterns arising from human mobility. Experiments show that the proposed model significantly outperforms baseline models by 8.54% in weighted F1, shedding light on a low-cost, scalable approach to assess epidemic exposure risks from street view imagery.
• Abstract（参考訳）: 構築された環境は毎日のあらゆる活動をサポートし、健康を形作る。 有意義なストリートビュー画像を活用したこれまでの研究は、構築された環境と慢性的な非感染性疾患との深い相関関係を確立してきたが、感染症の露光リスクの予測はほとんど未調査のままである。 対人接触や相互作用は感染症の複雑さに寄与し、これは本質的に非感染性疾患とは異なっている。 さらに、ストリートビュー画像と流行の露光との間の複雑な関係は正確な予測を妨げている。 これらの問題に対処するため, 重力モデルにより報知される地域移動グラフを構築し, 人体移動から発生する病気の伝達パターンを捉えるための送信対応グラフ畳み込みネットワーク (GCN) を提案する。 実験により,提案モデルがF1重み付けモデルで8.54%,低コストでスケーラブルなアプローチでストリートビュー画像から感染リスクを評価することにより,ベースラインモデルよりも有意に優れていることが示された。

関連論文リスト

• EyeDiff: text-to-image diffusion model improves rare eye disease diagnosis [7.884451100342276]
  EyeDiffは、自然言語のプロンプトからマルチモーダル眼科画像を生成するために設計されたテキスト・ツー・イメージモデルである。 EyeDiffは8つの大規模なデータセットでトレーニングされており、10のマルチリージョンの外部データセットに適応している。
  論文  参考訳（メタデータ） (2024-11-15T07:30:53Z)
• FairSkin: Fair Diffusion for Skin Disease Image Generation [54.29840149709033]
  拡散モデル (DM) は, 合成医用画像の生成において主要な手法となっているが, 臨界二倍偏差に悩まされている。 このようなバイアスを3段階のリサンプリング機構によって緩和する新しいDMフレームワークであるFairSkinを提案する。 本手法は, 画像の多様性と品質を著しく向上させ, 臨床環境における皮膚疾患の検出精度の向上に寄与する。
  論文  参考訳（メタデータ） (2024-10-29T21:37:03Z)
• Epidemiology-Aware Neural ODE with Continuous Disease Transmission Graph [14.28921518883576]
  持続疾患透過グラフ(EARTH)を用いた疫学対応ニューラル・オードという,革新的なエンドツーエンドフレームワークを提案する。 本稿ではまず,感染メカニズムとニューラルODEアプローチをシームレスに統合するEANOを提案する。 また,グローバルな感染動向をモデル化するためにGLTGを導入し,これらの信号を利用して局所的な感染を動的に誘導する。
  論文  参考訳（メタデータ） (2024-09-28T04:07:16Z)
• STOPPAGE: Spatio-temporal Data Driven Cloud-Fog-Edge Computing Framework for Pandemic Monitoring and Management [28.205715426050105]
  行政政策の改善とパンデミック対策のための準備を強化するための分析枠組みを開発することは絶対的に必要である。 本稿では,STOPと呼ばれる時空間知識マイニングフレームワークを提案し,時間スケールの異なる大規模地域における人間の移動性や文脈情報の影響をモデル化する。 i)fog/edgeベースのアーキテクチャを使用したs-temporal data and computing infrastructure、(ii)s-temporal data analyticsモジュールで、異種データソースから知識を効率的に抽出する。
  論文  参考訳（メタデータ） (2021-04-04T12:29:31Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Steering a Historical Disease Forecasting Model Under a Pandemic: Case of Flu and COVID-19 [75.99038202534628]
  我々は、インフルエンザとCOVID-19が共存する新しいシナリオに、歴史的疾患予測モデルを「操る」ことができる神経伝達学習アーキテクチャであるCALI-Netを提案する。 我々の実験は、現在のパンデミックに歴史的予測モデルを適用することに成功していることを示している。
  論文  参考訳（メタデータ） (2020-09-23T22:35:43Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• Interpretation of Disease Evidence for Medical Images Using Adversarial Deformation Fields [4.2739669051600275]
  本稿では,病状証拠の空間的説明を定式化し提示する手法を提案する。 逆行訓練されたジェネレータは、疾患患者の画像を変更する変形場を生成し、健康な患者の画像に類似させる。 慢性閉塞性肺疾患(COPD)の胸部X線(CXR)およびアルツハイマー病(AD)の脳MRI所見について検討した。
  論文  参考訳（メタデータ） (2020-07-04T00:51:54Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Quantifying the Effects of Contact Tracing, Testing, and Containment Measures in the Presence of Infection Hotspots [18.227721607607183]
  複数の証拠は、一人が他の多くの人に感染するホットスポットが、新型コロナウイルスの感染動態において重要な役割を担っていることを強く示唆している。 個人が接触し、互いに感染するサイトへの訪問を具体的に表現する、時間的ポイントプロセスモデリングフレームワークを導入する。 我々のモデルでは、自然に感染した個体によって引き起こされる感染の数が過度に分散する。
  論文  参考訳（メタデータ） (2020-04-15T17:18:32Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。