Fugu-MT 論文翻訳(概要): Feature importance to explain multimodal prediction models. A clinical use case

論文の概要: Feature importance to explain multimodal prediction models. A clinical use case

arxiv url: http://arxiv.org/abs/2404.18631v1
Date: Mon, 29 Apr 2024 12:11:26 GMT
ステータス: 処理完了
システム内更新日: 2024-04-30 13:47:51.980827
Title: Feature importance to explain multimodal prediction models. A clinical use case
Title（参考訳）: マルチモーダル予測モデルの説明に欠かせない特徴 : 臨床応用例
Authors: Jorn-Jan van de Beld, Shreyasi Pathak, Jeroen Geerdink, Johannes H. Hegeman, Christin Seifert,
Abstract要約: 高齢者の股関節骨折患者に対する手術は、早期死亡につながる合併症を引き起こす可能性がある。我々は,術前および術中データを用いた術後死亡予測のためのマルチモーダルディープラーニングモデルを開発した。
参考スコア（独自算出の注目度）: 2.2527696312643637
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Surgery to treat elderly hip fracture patients may cause complications that can lead to early mortality. An early warning system for complications could provoke clinicians to monitor high-risk patients more carefully and address potential complications early, or inform the patient. In this work, we develop a multimodal deep-learning model for post-operative mortality prediction using pre-operative and per-operative data from elderly hip fracture patients. Specifically, we include static patient data, hip and chest images before surgery in pre-operative data, vital signals, and medications administered during surgery in per-operative data. We extract features from image modalities using ResNet and from vital signals using LSTM. Explainable model outcomes are essential for clinical applicability, therefore we compute Shapley values to explain the predictions of our multimodal black box model. We find that i) Shapley values can be used to estimate the relative contribution of each modality both locally and globally, and ii) a modified version of the chain rule can be used to propagate Shapley values through a sequence of models supporting interpretable local explanations. Our findings imply that a multimodal combination of black box models can be explained by propagating Shapley values through the model sequence.
Abstract（参考訳）: 高齢者の股関節骨折患者に対する手術は、早期死亡につながる合併症を引き起こす可能性がある。合併症を早期に警告するシステムによって、臨床医はリスクの高い患者をもっと注意深く監視し、早期に合併症に対処したり、患者に知らせることが可能になる。本研究では,高齢者股関節骨折患者の術前および術中データを用いた術後死亡予測のためのマルチモーダル深層学習モデルを構築した。具体的には,手術前の静的な患者データ,手術前の股関節・胸部画像,手術中のバイタルシグナル,術中治療薬などについて検討した。本稿では,ResNetを用いた画像モダリティとLSTMを用いたバイタル信号から特徴を抽出する。臨床応用には説明可能なモデル結果が不可欠であるので、Shapley値を計算して、我々のマルチモーダルブラックボックスモデルの予測を説明する。私たちはそれを見つける。一シェアリー値は、各モダリティの地域的及び世界的双方の相対的な寄与を推定することができる。二連鎖則の修正版は、解釈可能な局所的説明を支持する一連のモデルにより、シェープリー値の伝播に使用することができる。ブラックボックスモデルのマルチモーダルな組み合わせは,シェープリーの値をモデルシーケンスで伝播させることで説明できることが示唆された。

関連論文リスト

Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
論文参考訳（メタデータ） (2024-05-09T01:30:04Z)
Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
論文参考訳（メタデータ） (2023-06-01T14:08:05Z)
Self-explaining Hierarchical Model for Intraoperative Time Series [6.877686657275981]
本稿では,術中時系列における注意力と反復モデルの両方の強さを組み合わせた階層モデルを提案する。複数の結果が得られた111,888回の大規模な手術データセットと、外部の高解像度ICUデータセットによる実験により、我々のモデルが強い予測性能を達成できることが示されている。
論文参考訳（メタデータ） (2022-10-10T03:24:18Z)
TMSS: An End-to-End Transformer-based Multimodal Network for Segmentation and Survival Prediction [0.0]
腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
論文参考訳（メタデータ） (2022-09-12T06:22:05Z)
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)
Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文参考訳（メタデータ） (2022-02-25T10:30:29Z)
Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。次に、標準モデルの集合戦略とは対照的に、その融合について検討する。我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文参考訳（メタデータ） (2021-12-01T13:56:27Z)
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)
Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
論文参考訳（メタデータ） (2021-04-28T15:32:42Z)
A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文参考訳（メタデータ） (2020-06-08T19:24:54Z)
M2Net: Multi-modal Multi-channel Network for Overall Survival Time Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文参考訳（メタデータ） (2020-06-01T05:21:37Z)

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。