論文の概要: Deep Learning for Detecting and Early Predicting Chronic Obstructive Pulmonary Disease from Spirogram Time Series: A UK Biobank Study

• arxiv url: http://arxiv.org/abs/2405.03239v1
• Date: Mon, 6 May 2024 07:48:34 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 14:25:39.006040
• Title: Deep Learning for Detecting and Early Predicting Chronic Obstructive Pulmonary Disease from Spirogram Time Series: A UK Biobank Study
• Title（参考訳）: スピログラム時系列による慢性閉塞性肺疾患の検出と早期予測のための深層学習:英国のバイオバンク研究
• Authors: Shuhao Mei, Yuxi Zhou, Jiahao Xu, Yuxuan Wan, Shan Cao, Qinghao Zhao, Shijia Geng, Junqing Xie, Shenda Hong,
• Abstract要約: 慢性閉塞性肺疾患(慢性閉塞性肺疾患、COPD)は、慢性の炎症性肺疾患である。 既存の方法では、呼吸図に示される明らかな特徴に基づいて、すでにPDを患っている患者しか検出できない。 我々は,DeepSpiroを提案する。DeepSpiroは,将来のCOPDリスクの早期予測のためのディープラーニングに基づく手法である。
• 参考スコア（独自算出の注目度）: 16.44869759231865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chronic Obstructive Pulmonary Disease (COPD) is a chronic inflammatory lung condition that causes airflow obstruction. The existing methods can only detect patients who already have COPD based on obvious features shown in the spirogram (In this article, the spirogram specifically involves measuring Volume-Flow curve time series). Early prediction of COPD risk is vital for monitoring COPD disease progression, slowing it down, or even preventing its onset. However, these methods fail to early predict an individual's probability of COPD in the future based on subtle features in the spirogram. To address this gap, for the first time, we propose DeepSpiro, a method based on deep learning for early prediction of future COPD risk. DeepSpiro consists of four parts. First, we construct Volume-Flow curves guided by Time-Volume instability smoothing (SpiroSmoother) to enhance the stability of the original Volume-Flow curves precisely. Second, we extract critical features from the evolution of varied-length key patches (SpiroEncoder) to capture the key temporal evolution from original high-dimensional dynamic sequences to a unified low-dimensional temporal representation. Third, we explain the model based on temporal attention and heterogeneous feature fusion (SpiroExplainer), which integrates information from heterogeneous data such as spirogram and demographic information. Fourth, we predict the risk of COPD based on the evolution of key patch concavity (SpiroPredictor), enabling accurate prediction of the risk of disease in high-risk patients who are not yet diagnosed, for up to 1, 2, 3, 4, 5 years, and beyond. We conduct experiments on the UK Biobank dataset. Results show that DeepSpiro achieves an AUC value of 0.8328 in the task of detecting COPD. In early prediction tasks, high-risk and low-risk groups show significant differences in the future, with a p-value of <0.001.
• Abstract（参考訳）: 慢性閉塞性肺疾患(慢性閉塞性肺疾患、COPD)は、慢性の炎症性肺疾患である。 既存の検査法では, 心電図に示される明らかな特徴に基づいて, COPD を既に検出している患者のみを検出できる(本論文では, 心電図は, 特にボリュームフロー曲線時系列を計測する)。 COPDリスクの早期予測は、PD病の進行をモニターしたり、減速させたり、発症を防いだりするのに不可欠である。 しかし, これらの手法は, スピログラムの微妙な特徴に基づいて, 将来のPDの確率を早期に予測することができない。 このギャップに対処するため,我々はDeepSpiroを提案する。DeepSpiroは,将来のCOPDリスクの早期予測のためのディープラーニングに基づく手法である。 DeepSpiroは4つの部分で構成される。 まず、時間-体積不安定平滑化(SpiroSmoother)によって導かれる体積-フロー曲線を構築し、元の体積-フロー曲線の安定性を正確に向上する。 第2に、可変長キーパッチ(SpiroEncoder)の進化から重要な特徴を抽出し、元の高次元の動的シーケンスから統一低次元の時間的表現へとキーの時間的進化を捉える。 第3に, 時間的注意と不均一な特徴融合(SpiroExplainer)に基づくモデルを説明し, スピログラムや人口統計情報などの異種データからの情報を統合する。 第4に,まだ診断されていない高リスク患者(最大1, 2, 3, 4, 5年)の疾患リスクの正確な予測を可能にするキーパッチ凹凸(Spiro Predictor)の進化に基づいて,PDのリスクを予測する。 英国バイオバンクのデータセットを用いて実験を行った。 その結果,DeepSpiro は COPD 検出作業において AUC 値 0.8328 を達成することがわかった。 早期予測タスクでは, 高リスク群と低リスク群では, p-値が0.001。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder [0.0]
  本研究では,脳波データからてんかん発作を検出するための半教師付きアプローチを提案する。 以上の結果から,SncVAEは脳波データにおける発作検出を改善し,早期発作の早期発見と術後経過のモニタリングが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-06-25T13:21:01Z)
• 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)
• Transformer-based Time-to-Event Prediction for Chronic Kidney Disease Deterioration [0.0]
  STRAFEは、電子健康記録のための一般化可能な生存分析変換器ベースのアーキテクチャである。 STRAFEの性能は,慢性腎臓病3段階の患者130,000人以上の実世界のクレームデータセットを用いて評価した。 STRAFE予測は高リスク患者の肯定的な予測値を3倍に改善し、介入プログラムのターゲティングを改善するための使用法を示す。
  論文  参考訳（メタデータ） (2023-06-09T09:46:38Z)
• Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep Gaussian Process (iTDGP) [2.649401887836554]
  急性虚血性脳卒中(AIS)は、動脈閉塞により突然脳への血液供給が中断されたときに起こる。 CT(Computed Tomography Perfusion)画像から抽出した3次元計測マップをしきい値として評価する現在の標準AIS評価法は十分ではない。 ベースラインガウス時系列を用いてAIS予測を改善する確率モデルであるiTDGPを提案する。
  論文  参考訳（メタデータ） (2022-11-16T17:32:29Z)
• 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)
• Real-time Prediction for Mechanical Ventilation in COVID-19 Patients using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
  本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。 新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。 予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
  論文  参考訳（メタデータ） (2021-02-01T20:35:22Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• 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)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。