論文の概要: DDxT: Deep Generative Transformer Models for Differential Diagnosis

• arxiv url: http://arxiv.org/abs/2312.01242v1
• Date: Sat, 2 Dec 2023 22:57:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 18:32:15.420526
• Title: DDxT: Deep Generative Transformer Models for Differential Diagnosis
• Title（参考訳）: DDxT 差分診断のための深部生成変圧器モデル
• Authors: Mohammad Mahmudul Alam, Edward Raff, Tim Oates, Cynthia Matuszek
• Abstract要約: より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
• 参考スコア（独自算出の注目度）: 51.25660111437394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Differential Diagnosis (DDx) is the process of identifying the most likely medical condition among the possible pathologies through the process of elimination based on evidence. An automated process that narrows a large set of pathologies down to the most likely pathologies will be of great importance. The primary prior works have relied on the Reinforcement Learning (RL) paradigm under the intuition that it aligns better with how physicians perform DDx. In this paper, we show that a generative approach trained with simpler supervised and self-supervised learning signals can achieve superior results on the current benchmark. The proposed Transformer-based generative network, named DDxT, autoregressively produces a set of possible pathologies, i.e., DDx, and predicts the actual pathology using a neural network. Experiments are performed using the DDXPlus dataset. In the case of DDx, the proposed network has achieved a mean accuracy of 99.82% and a mean F1 score of 0.9472. Additionally, mean accuracy reaches 99.98% with a mean F1 score of 0.9949 while predicting ground truth pathology. The proposed DDxT outperformed the previous RL-based approaches by a big margin. Overall, the automated Transformer-based DDx generative model has the potential to become a useful tool for a physician in times of urgency.
• Abstract（参考訳）: 鑑別診断 (DDx) は、エビデンスに基づく除去プロセスを通じて、起こりうる病態の中で最も可能性の高い医学的状態を特定する過程である。 大量の病理を最も可能性の高い病理に絞り込む自動化プロセスは、非常に重要なものになるでしょう。 主な先行研究は強化学習(rl)のパラダイムに依存しており、医師のddxの働き方と合致していると直観している。 本稿では,よりシンプルな教師付きおよび自己教師付き学習信号で訓練された生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 提案する変圧器型生成ネットワークはddxtと名付けられ、自己回帰的に一連の病理、すなわちddxを生成し、ニューラルネットワークを用いて実際の病理を予測している。 DDXPlusデータセットを使って実験を行う。 DDxの場合、提案するネットワークの平均精度は99.82%、平均F1スコアは0.9472である。 さらに、平均精度は99.98%に達し、平均f1スコアは0.9949である。 提案されたDDxTは、以前のRLベースのアプローチよりも大きなマージンで優れていた。 全体として、TransformerベースのDDx自動生成モデルは、緊急時に医師にとって有用なツールになる可能性がある。

関連論文リスト

• 1D-Convolutional transformer for Parkinson disease diagnosis from gait [7.213855322671065]
  本稿では,歩行からパーキンソン病の診断に有効なディープニューラルネットワークモデルを提案する。 本稿では,重症度を検知し,病状を正確に診断するためのハイブリッドConvNetTransform-erアーキテクチャを提案する。 提案手法は歩行データからパーキンソン病の異なる段階を検出するのに有効であることが示された。
  論文  参考訳（メタデータ） (2023-11-06T15:17:17Z)
• An Explainable Deep Learning-Based Method For Schizophrenia Diagnosis Using Generative Data-Augmentation [0.3222802562733786]
  脳波記録を用いた統合失調症の自動診断にディープラーニングを用いた手法を応用した。 このアプローチは、診断の精度を高める強力な手法である生成データ拡張を利用する。
  論文  参考訳（メタデータ） (2023-10-25T12:55:16Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。 予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。 7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Learning from Subjective Ratings Using Auto-Decoded Deep Latent Embeddings [23.777855250882244]
  ラベルにおける主観性管理は医用画像解析における根本的な問題である。 自動復号型ディープ潜在埋め込み(addle)を導入する ADDLEは自動デコーダフレームワークを使用して各レーダの傾向を明示的にモデル化する。
  論文  参考訳（メタデータ） (2021-04-12T15:40:42Z)
• Developing a New Autism Diagnosis Process Based on a Hybrid Deep Learning Architecture Through Analyzing Home Videos [1.2691047660244335]
  現在、54人中1人が自閉症スペクトラム障害(ASD)と診断されており、2000年より178%高い。 本稿では,分類データと画像データの両方を用いて,従来のASD事前スクリーニングを自動化するハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-04-02T17:30:35Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

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。