論文の概要: L-MAE: Longitudinal masked auto-encoder with time and severity-aware encoding for diabetic retinopathy progression prediction
- arxiv url: http://arxiv.org/abs/2403.16272v1
- Date: Sun, 24 Mar 2024 19:34:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-26 16:46:40.325261
- Title: L-MAE: Longitudinal masked auto-encoder with time and severity-aware encoding for diabetic retinopathy progression prediction
- Title(参考訳): L-MAE:糖尿病網膜症進行予測のための経時的および重度認識型自己エンコーダ
- Authors: Rachid Zeghlache, Pierre-Henri Conze, Mostafa El Habib Daho, Yihao Li, Alireza Rezaei, Hugo Le Boité, Ramin Tadayoni, Pascal Massin, Béatrice Cochener, Ikram Brahim, Gwenolé Quellec, Mathieu Lamard,
- Abstract要約: 自己教師付き学習(SSL)に基づく事前学習戦略は、コンピュータビジョンにおける多くの下流タスクに有効なプレテキストタスクであることが証明されている。
我々は、よく知られたTransformer-based MAEに基づく長手マスク付きオートエンコーダ(MAE)を開発した。
OPHDIATは糖尿病網膜症(DR)を対象とする大規模フォローアップスクリーニングデータセットであり,縦断的タスクで事前訓練した体重を測定した。
- 参考スコア(独自算出の注目度): 2.663690023739801
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pre-training strategies based on self-supervised learning (SSL) have proven to be effective pretext tasks for many downstream tasks in computer vision. Due to the significant disparity between medical and natural images, the application of typical SSL is not straightforward in medical imaging. Additionally, those pretext tasks often lack context, which is critical for computer-aided clinical decision support. In this paper, we developed a longitudinal masked auto-encoder (MAE) based on the well-known Transformer-based MAE. In particular, we explored the importance of time-aware position embedding as well as disease progression-aware masking. Taking into account the time between examinations instead of just scheduling them offers the benefit of capturing temporal changes and trends. The masking strategy, for its part, evolves during follow-up to better capture pathological changes, ensuring a more accurate assessment of disease progression. Using OPHDIAT, a large follow-up screening dataset targeting diabetic retinopathy (DR), we evaluated the pre-trained weights on a longitudinal task, which is to predict the severity label of the next visit within 3 years based on the past time series examinations. Our results demonstrated the relevancy of both time-aware position embedding and masking strategies based on disease progression knowledge. Compared to popular baseline models and standard longitudinal Transformers, these simple yet effective extensions significantly enhance the predictive ability of deep classification models.
- Abstract(参考訳): 自己教師付き学習(SSL)に基づく事前学習戦略は、コンピュータビジョンにおける多くの下流タスクに有効なプレテキストタスクであることが証明されている。
医用画像と自然画像の間に大きな差異があるため、一般的なSSLの応用は、医用画像では容易ではない。
さらに、これらのプレテキストタスクは文脈を欠くことが多く、これはコンピュータ支援の臨床的意思決定支援に不可欠である。
本稿では,よく知られたTransformer-based MAEに基づく縦型マスク付きオートエンコーダ(MAE)を開発した。
特に,病状進行認知マスキングと同様に,時間認識位置埋め込みの重要性について検討した。
単にスケジュールするだけでなく、試験間の時間を考慮すると、時間的変化や傾向を捉える利点がある。
マスク戦略は、その部分において、病的変化をより正確に把握し、疾患の進行をより正確に評価するために、フォローアップ中に進化する。
糖尿病性網膜症(DR)を対象とする大規模フォローアップスクリーニングデータセットであるOPHDIATを用いて,過去時系列検査に基づいて,過去3年以内に来訪者の重度ラベルを予測することを目的とした,長手作業における事前訓練体重の評価を行った。
以上の結果から,病状進行知識に基づく時間認識位置埋め込みとマスキング戦略の関連性を示した。
一般的なベースラインモデルや標準長手トランスフォーマーと比較して、これらの単純で効果的な拡張は深い分類モデルの予測能力を著しく向上させる。
関連論文リスト
- Spatiotemporal Representation Learning for Short and Long Medical Image
Time Series [10.171118472422831]
時間的発達の分析は多くの医療条件の正確な予後に不可欠である。
数ヶ月または数年にわたって起こる長期の発達を追跡することは、正確な予後に不可欠である。
短期的・長期的分析と臨床的意思決定の両方の重要性にもかかわらず、彼らは医学的深層学習において過小評価されている。
論文 参考訳(メタデータ) (2024-03-12T10:47:29Z) - Vital Sign Forecasting for Sepsis Patients in ICUs [5.543372375499915]
本稿では,最先端のディープラーニング(DL)アーキテクチャを用いて,多段階予測システムを提案する。
我々は,過去6時間のデータから,今後3時間分のバイタルサインを予測できるDLベースのバイタルサイン予測システムを導入する。
平均二乗誤差 (MSE) と動的時間歪み (DTW) 測定値を用いて, モデルの性能評価を行った。
論文 参考訳(メタデータ) (2023-11-08T15:47:58Z) - LMT: Longitudinal Mixing Training, a Framework to Predict Disease
Progression from a Single Image [1.805673949640389]
本稿では,2つの連続試験間の重み付き平均時間である$t_mix$を用いて,時間認識モデルのトレーニングを行う新しい方法を提案する。
AUCは0.798で、視線は0.641で、視線は1枚の画像で重篤なDRを発生させるかどうかを予測した。
論文 参考訳(メタデータ) (2023-10-16T14:01:20Z) - LATTE: Label-efficient Incident Phenotyping from Longitudinal Electronic
Health Records [11.408950540503112]
本稿では, LAbel-efficienT incidenT phEnotypingアルゴリズムを提案する。
LATTEは2型糖尿病の発症、心不全、多発性硬化症の発症と再発の3つの分析に基づいて評価された。
論文 参考訳(メタデータ) (2023-05-19T03:28:51Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳(メタデータ) (2023-03-02T17:27:45Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z) - Deep Recurrent Model for Individualized Prediction of Alzheimer's
Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。
本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-06T08:08:00Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z)
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。