Fugu-MT 論文翻訳(概要): Semi-Supervised Diffusion Model for Brain Age Prediction

論文の概要: Semi-Supervised Diffusion Model for Brain Age Prediction

arxiv url: http://arxiv.org/abs/2402.09137v1
Date: Wed, 14 Feb 2024 12:38:04 GMT
ステータス: 処理完了
システム内更新日: 2024-02-15 15:46:53.358997
Title: Semi-Supervised Diffusion Model for Brain Age Prediction
Title（参考訳）: 脳年齢予測のための半監督拡散モデル
Authors: Ayodeji Ijishakin, Sophie Martin, Florence Townend, Federica Agosta, Edoardo Gioele Spinelli, Silvia Basaia, Paride Schito, Yuri Falzone, Massimo Filippi, James Cole, Andrea Malaspina
Abstract要約: 脳年齢予測モデルは神経変性疾患の臨床的結果を予測することに成功しているが、進行の速い疾患や低品質データに関わる課題に苦しむことがある。半教師付き拡散モデルを用いて、低画質のT1w MR画像上での時系列と予測年齢の相関関係を0.83(p0.01)とした。
参考スコア（独自算出の注目度）: 0.09192391403222863
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Brain age prediction models have succeeded in predicting clinical outcomes in neurodegenerative diseases, but can struggle with tasks involving faster progressing diseases and low quality data. To enhance their performance, we employ a semi-supervised diffusion model, obtaining a 0.83(p<0.01) correlation between chronological and predicted age on low quality T1w MR images. This was competitive with state-of-the-art non-generative methods. Furthermore, the predictions produced by our model were significantly associated with survival length (r=0.24, p<0.05) in Amyotrophic Lateral Sclerosis. Thus, our approach demonstrates the value of diffusion-based architectures for the task of brain age prediction.
Abstract（参考訳）: 脳年齢予測モデルは神経変性疾患の予後予測に成功しているが、より速い進行疾患と低品質データに関わる課題に苦しむことがある。半教師付き拡散モデルを用いて,低画質のT1w MR画像上での時系列と予測年齢の相関関係を0.83(p<0.01)とした。これは最先端の非生成手法と競合した。さらに, 筋萎縮性側索硬化症では生存期間(r=0.24, p<0.05)と有意な相関が認められた。そこで本研究では,脳年齢予測の課題に対する拡散型アーキテクチャの価値を示す。

関連論文リスト

Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文参考訳（メタデータ） (2024-07-28T02:42:36Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文参考訳（メタデータ） (2024-03-11T17:26:18Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Learning Spatio-Temporal Model of Disease Progression with NeuralODEs from Longitudinal Volumetric Data [4.998875488622879]
我々は,1つの医療スキャンを処理し,加齢関連疾患の進化をモデル化する深層学習手法を開発した。ジオグラフィック・アトロフィーの場合,提案手法はアトロフィ成長予測において,関連するベースラインモデルよりも優れていた。アルツハイマー病に対して, 提案法は, 疾患によって引き起こされる脳の心室変化を予測する上で, 顕著な性能を示した。
論文参考訳（メタデータ） (2022-11-08T13:28:26Z)
Assessing the Performance of Automated Prediction and Ranking of Patient Age from Chest X-rays Against Clinicians [4.795478287106675]
深層学習は、胸部X線から患者の年齢を正確に推定することを可能にしている。本稿では,放射線科医と最先端のディープラーニングモデルの比較研究について述べる。我々は,脳卒中患者の年齢による1.8M胸部X線の異種データベースを用いてモデルを訓練し,モデル精度の限界について検討した。
論文参考訳（メタデータ） (2022-07-04T10:09:48Z)
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)
Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文参考訳（メタデータ） (2020-12-24T05:19:03Z)
STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文参考訳（メタデータ） (2020-12-08T21:21:47Z)
Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文参考訳（メタデータ） (2020-08-10T02:44:52Z)
A Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19 [3.464871689508835]
我々は、ディファレンス微分方程式(SIR)とリカレントニューラルネットワーク(RNN)に基づく統合疾患モデルを開発する。イタリアのCO-19データをトレーニングし,既存の時間モデル(NN,SIR,ARIMA)を1日,3日,1週間の予測で上回っていることを示す。
論文参考訳（メタデータ） (2020-07-14T07:04:57Z)

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。