論文の概要: Detecting and clustering swallow events in esophageal long-term high-resolution manometry

• arxiv url: http://arxiv.org/abs/2405.01126v1
• Date: Thu, 2 May 2024 09:41:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 17:04:04.944073
• Title: Detecting and clustering swallow events in esophageal long-term high-resolution manometry
• Title（参考訳）: 食道の長期高分解能計測におけるスズメイベントの検出とクラスタリング
• Authors: Alexander Geiger, Lars Wagner, Daniel Rueckert, Dirk Wilhelm, Alissa Jell,
• Abstract要約: 深達度学習に基づく飲み込み検出法を提案し, 二次性非解離性食道運動障害を正確に同定する。 われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。
• 参考スコア（独自算出の注目度）: 48.688209040613216
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution manometry (HRM) is the gold standard in diagnosing esophageal motility disorders. As HRM is typically conducted under short-term laboratory settings, intermittently occurring disorders are likely to be missed. Therefore, long-term (up to 24h) HRM (LTHRM) is used to gain detailed insights into the swallowing behavior. However, analyzing the extensive data from LTHRM is challenging and time consuming as medical experts have to analyze the data manually, which is slow and prone to errors. To address this challenge, we propose a Deep Learning based swallowing detection method to accurately identify swallowing events and secondary non-deglutitive-induced esophageal motility disorders in LTHRM data. We then proceed with clustering the identified swallows into distinct classes, which are analyzed by highly experienced clinicians to validate the different swallowing patterns. We evaluate our computational pipeline on a total of 25 LTHRMs, which were meticulously annotated by medical experts. By detecting more than 94% of all relevant swallow events and providing all relevant clusters for a more reliable diagnostic process among experienced clinicians, we are able to demonstrate the effectiveness as well as positive clinical impact of our approach to make LTHRM feasible in clinical care.
• Abstract（参考訳）: 高分解能マントメトリー(HRM)は食道運動障害の診断における金の標準である。 HRMは通常、短期的な実験室で実施されるため、間欠的に発生する障害は欠落する可能性がある。 したがって、長期(最大24時間) HRM (LTHRM) は摂食行動に関する詳細な知見を得るために用いられる。 しかし、医療専門家が手動でデータを分析しなければならないため、LTHRMからの広範なデータを分析することは困難であり、エラーを起こしやすい。 この課題に対処するために,LTHRMデータを用いたディープラーニングによる飲み込み事象と二次性非解離性食道運動障害を正確に識別する飲み込み検出手法を提案する。 次に、同定されたツバメを個別のクラスに分類し、高度に経験した臨床医によって分析し、異なる捕食パターンを検証した。 われわれは,25 LTHRMで計算パイプラインを評価し,医療専門家の注意を喚起した。 LTHRMを臨床に応用するためのアプローチの有効性および有効性を示すとともに, 有効性を示すことができる。

関連論文リスト

• Towards Reducing Diagnostic Errors with Interpretable Risk Prediction [18.474645862061426]
  特定診断のリスクの増大または低下を示す患者EHRデータ中の証拠片をLCMを用いて同定する方法を提案する。 私たちの究極の目標は、証拠へのアクセスを増やし、診断エラーを減らすことです。
  論文  参考訳（メタデータ） (2024-02-15T17:05:48Z)
• A manometric feature descriptor with linear-SVM to distinguish esophageal contraction vigor [8.39812027404057]
  高分解能なマントメトリーの結果が得られた後も、医師は様々なパラメーターで評価する必要がある。 食道ダイナミック機能の評価を支援するため, 食道収縮速度を予測するため, HRMの画像処理を行った。 我々の精度は86.83%に達し、これは他の一般的な機械学習手法よりも高い。
  論文  参考訳（メタデータ） (2023-11-27T08:06:56Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,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） (2023-05-20T03:12:23Z)
• Identifying TBI Physiological States by Clustering Multivariate Clinical Time-Series Data [8.487912181381404]
  SLAC-Timeは、イミューテーションやアグリゲーションを回避してデータの整合性を維持する革新的なセルフスーパービジョンベースのアプローチである。 大規模な研究データセットにSLAC-Timeを用いてデータをクラスタリングすることにより,3つの異なるTBI生理状態が同定された。
  論文  参考訳（メタデータ） (2023-03-23T04:16:00Z)
• Pain level and pain-related behaviour classification using GRU-based sparsely-connected RNNs [61.080598804629375]
  慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。 この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。 我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。 本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
  論文  参考訳（メタデータ） (2022-12-20T12:56:28Z)
• Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data [1.2891210250935143]
  我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。 われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。 このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
  論文  参考訳（メタデータ） (2022-05-05T18:39:09Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• 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)

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。