論文の概要: DE-CGAN: Boosting rTMS Treatment Prediction with Diversity Enhancing Conditional Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2404.16913v1
- Date: Thu, 25 Apr 2024 15:15:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-29 14:54:11.629796
- Title: DE-CGAN: Boosting rTMS Treatment Prediction with Diversity Enhancing Conditional Generative Adversarial Networks
- Title（参考訳）: DE-CGAN: 条件付き生成対向ネットワークの多様性を向上したrTMS処理予測
- Authors: Matthew Squires, Xiaohui Tao, Soman Elangovan, Raj Gururajan, Haoran Xie, Xujuan Zhou, Yuefeng Li, U Rajendra Acharya,
- Abstract要約: そこで本研究では,De-CGAN(Diversity Enhancing Conditional General Adversarial Network)による分類モデルの性能向上について述べる。
この研究は、トレーニングデータセットの多様性を高めることで、分類モデルのパフォーマンスが向上することを示している。
- 参考スコア（独自算出の注目度）: 16.850380946914946
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Repetitive Transcranial Magnetic Stimulation (rTMS) is a well-supported, evidence-based treatment for depression. However, patterns of response to this treatment are inconsistent. Emerging evidence suggests that artificial intelligence can predict rTMS treatment outcomes for most patients using fMRI connectivity features. While these models can reliably predict treatment outcomes for many patients for some underrepresented fMRI connectivity measures DNN models are unable to reliably predict treatment outcomes. As such we propose a novel method, Diversity Enhancing Conditional General Adversarial Network (DE-CGAN) for oversampling these underrepresented examples. DE-CGAN creates synthetic examples in difficult-to-classify regions by first identifying these data points and then creating conditioned synthetic examples to enhance data diversity. Through empirical experiments we show that a classification model trained using a diversity enhanced training set outperforms traditional data augmentation techniques and existing benchmark results. This work shows that increasing the diversity of a training dataset can improve classification model performance. Furthermore, this work provides evidence for the utility of synthetic patients providing larger more robust datasets for both AI researchers and psychiatrists to explore variable relationships.
- Abstract（参考訳）: 反復性経頭蓋磁気刺激(repetitive transcranial Magnetic Stimulation, RTMS)は、うつ病に対する治療である。
しかし、この治療に対する反応パターンは矛盾している。
新たな証拠は、人工知能がfMRI接続機能を使用して、ほとんどの患者のrTMS治療結果を予測することを示唆している。
これらのモデルでは、多くの患者に対する治療結果を確実に予測できるが、表現不足なfMRI接続測定では、DNNモデルは治療結果の確実な予測ができない。
そこで本研究では,これらの未表現例を網羅する条件付き一般敵ネットワーク(DE-CGAN)の多様性向上手法を提案する。
DE-CGANは、まずこれらのデータポイントを識別し、データ多様性を高めるために条件付き合成例を作成することで、分類困難な領域で合成例を作成する。
実験により,多様性向上トレーニングを用いて訓練された分類モデルが,従来のデータ拡張手法や既存のベンチマーク結果より優れていたことを示す。
この研究は、トレーニングデータセットの多様性を高めることで、分類モデルのパフォーマンスが向上することを示している。
さらに、この研究は、AI研究者と精神科医の両方が多様な関係を探求するためにより堅牢なデータセットを提供する合成患者の有用性を示す証拠を提供する。
関連論文リスト
- Multimodal Clinical Trial Outcome Prediction with Large Language Models [30.201189349890267]
臨床試験の結果を予測するために, LIFTED(Multimodal Mixed-of-Experts)アプローチを提案する。
LIFTEDは、異なるモダリティデータを自然言語記述に変換することで統一する。
そして、LIFTEDは統合ノイズ耐性エンコーダを構築し、モーダル固有の言語記述から情報を抽出する。
論文 参考訳（メタデータ） (2024-02-09T16:18:38Z) - Multimodal Interpretable Data-Driven Models for Early Prediction of
Antimicrobial Multidrug Resistance Using Multivariate Time-Series [6.804748007823268]
本稿では,フエンラブラダ大学附属病院の集中治療室 (ICU) における抗微生物多剤耐性 (AMR) 菌の出現を予測し, 理解することのできる, 解釈可能なマルチモーダルデータ駆動モデルの集合体上に構築したアプローチを提案する。
患者のプロファイルと初期健康状態は静的変数を用いてモデル化され、ICU滞在中の患者の健康状態の進化は、機械的換気や抗生物質摂取を含むいくつかのMSSを用いてモデル化される。
論文 参考訳（メタデータ） (2024-02-09T10:16:58Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - Leveraging GANs for data scarcity of COVID-19: Beyond the hype [1.0957528713294873]
人工知能(AI)ベースのモデルは、肺CTスキャンやX線画像から新型コロナウイルスを診断するのに役立つ。
多くの研究者が、合成肺CTスキャンとX線画像を作成するためにGeneversa Adrative Networks(GANs)を研究した。
信頼性の高い合成データを生成するために, GAN ベースの手法がいかに優れているかは明らかにされていない。
論文 参考訳（メタデータ） (2023-04-07T08:26:12Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Confidence-guided Lesion Mask-based Simultaneous Synthesis of Anatomic
and Molecular MR Images in Patients with Post-treatment Malignant Gliomas [65.64363834322333]
信頼性ガイドSAMR(CG-SAMR)は、病変情報からマルチモーダル解剖学的配列にデータを合成する。
モジュールは中間結果に対する信頼度測定に基づいて合成をガイドする。
実際の臨床データを用いた実験により,提案モデルが最先端の合成法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-06T20:20:22Z)
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。