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
- 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) - Leveraging Uncertainty in Deep Learning for Pancreatic Adenocarcinoma
Grading [0.0]
膵癌は、他のがんと比較して最悪の予後の1つである。
膵腺癌を診断するための現在の手関節組織学的評価は時間を要するため,誤診が頻発することが多い。
デジタル病理学では、AIに基づくがんのグレーディングは予測と不確実性定量化において極めて正確でなければならない。
論文 参考訳(メタデータ) (2022-06-15T19:53:06Z) - 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) - Classification supporting COVID-19 diagnostics based on patient survey
data [82.41449972618423]
新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。
得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。
このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
論文 参考訳(メタデータ) (2020-11-24T17:44:01Z)
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。