論文の概要: Unsupervised Discovery of Clinical Disease Signatures Using Probabilistic Independence

• arxiv url: http://arxiv.org/abs/2402.05802v1
• Date: Thu, 8 Feb 2024 16:41:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-09 14:01:15.190442
• Title: Unsupervised Discovery of Clinical Disease Signatures Using Probabilistic Independence
• Title（参考訳）: 確率的独立性を用いた臨床疾患の発見
• Authors: Thomas A. Lasko, John M. Still, Thomas Z. Li, Marco Barbero Mota, William W. Stead, Eric V. Strobl, Bennett A. Landman, Fabien Maldonado
• Abstract要約: 臨床疾患の十分な正確な診断は、多くの治療失敗の原因となりうる。 本稿では,これらのパターンを確率的独立性を用いて学習し,因果性潜伏病源の医学的記録を乱すアプローチを提案する。
• 参考スコア（独自算出の注目度）: 8.52372042610759
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Insufficiently precise diagnosis of clinical disease is likely responsible for many treatment failures, even for common conditions and treatments. With a large enough dataset, it may be possible to use unsupervised machine learning to define clinical disease patterns more precisely. We present an approach to learning these patterns by using probabilistic independence to disentangle the imprint on the medical record of causal latent sources of disease. We inferred a broad set of 2000 clinical signatures of latent sources from 9195 variables in 269,099 Electronic Health Records. The learned signatures produced better discrimination than the original variables in a lung cancer prediction task unknown to the inference algorithm, predicting 3-year malignancy in patients with no history of cancer before a solitary lung nodule was discovered. More importantly, the signatures' greater explanatory power identified pre-nodule signatures of apparently undiagnosed cancer in many of those patients.
• Abstract（参考訳）: 臨床疾患の十分な正確な診断は、一般的な状態や治療であっても、多くの治療失敗の原因となる可能性がある。 十分なデータセットがあれば、教師なし機械学習を使用して臨床疾患パターンをより正確に定義することができる。 本稿では,これらのパターンを確率的独立性を用いて学習し,因果性潜伏病源の医学的記録を乱すアプローチを提案する。 269,099個の電子健康記録の9195変数から2000個の潜伏源の臨床署名を推定した。 学習したシグネチャは、推定アルゴリズムに未知な肺がん予測タスクにおいて、元の変数よりも優れた識別を示し、孤立性肺結節が発見される前に、がん歴のない患者の3年間の悪性度を予測する。 さらに重要なことに、署名者による説明力の増大は、これらの患者の多くで、明らかに診断されていない癌の前結節の署名を特定した。

関連論文リスト

• A Lung Nodule Dataset with Histopathology-based Cancer Type Annotation [12.617587827105496]
  本研究は,医療診断用データセットと信頼性ツールを提供することにより,このギャップを埋めることを目的としている。 330個の注記結節(結節は束縛箱とラベル付けされている)を95名の別患者から抽出し,CT画像の多彩なデータセットを収集した。 これらの有望な結果は、データセットが実現可能であり、さらにインテリジェントな補助診断を容易にすることを証明している。
  論文  参考訳（メタデータ） (2024-06-26T06:39:11Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• 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)
• Analyzing historical diagnosis code data from NIH N3C and RECOVER Programs using deep learning to determine risk factors for Long Covid [0.5058404769410755]
  SARS-CoV-2感染症(PASC)やLong COVID(Long COVID)の急性後遺症が流行している。 そこで我々は,National COVID Cohort Collectiveから過去の診断コードデータを分析するための,解釈可能なディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-05T18:10:01Z)
• Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule Diagnosis [20.510918720980467]
  肺がんは世界で最も死亡率が高い。 結節検出・診断において,放射線科医を支援するコンピュータ支援診断システム(CAD)が開発された。 モデル信頼性の欠如と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
  論文  参考訳（メタデータ） (2022-04-08T08:21:00Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Handling uncertainty using features from pathology: opportunities in primary care data for developing high risk cancer survival methods [0.10499611180329804]
  2019年、オーストラリア人144万人以上ががんと診断された。 大多数は、スクリーニングプログラムが存在する癌でさえ、症状的にGPに最初に現れます。 病理検査の結果ががんの予後を予測できる特徴の導出にどのようにつながるか検討する。
  論文  参考訳（メタデータ） (2020-12-17T23:27:13Z)

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。