論文の概要: Deep Learning for Detecting and Early Predicting Chronic Obstructive Pulmonary Disease from Spirogram Time Series
- arxiv url: http://arxiv.org/abs/2405.03239v3
- Date: Sat, 28 Dec 2024 14:18:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:02:51.005600
- Title: Deep Learning for Detecting and Early Predicting Chronic Obstructive Pulmonary Disease from Spirogram Time Series
- 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
- Authors: Shuhao Mei, Xin Li, Yuxi Zhou, Jiahao Xu, Yong Zhang, Yuxuan Wan, Shan Cao, Qinghao Zhao, Shijia Geng, Junqing Xie, Shengyong Chen, Shenda Hong,
- Abstract要約: 慢性閉塞性肺疾患 (COPD) は閉塞を特徴とする慢性肺疾患である。
本研究では,新しい深層学習に基づくアプローチであるDeepSpiroを紹介し,今後のCOPDリスクの早期予測を目的とした。
DeepSpiroは4つの主要なコンポーネントで構成されている: ボリュームフロー曲線を安定化するためのSpiroSmoother、様々な長さのキーパッチを通じてボリューム変動パターンをキャプチャするSpiroEncoder、異種データを統合するSpiroExplainer、およびキーパッチの凹度に基づいて未診断高リスク患者の疾患リスクを予測するSpiroPredictorである。
- 参考スコア(独自算出の注目度): 32.3112419424864
- License:
- Abstract: Chronic Obstructive Pulmonary Disease (COPD) is a chronic lung condition characterized by airflow obstruction. Current diagnostic methods primarily rely on identifying prominent features in spirometry (Volume-Flow time series) to detect COPD, but they are not adept at predicting future COPD risk based on subtle data patterns. In this study, we introduce a novel deep learning-based approach, DeepSpiro, aimed at the early prediction of future COPD risk. DeepSpiro consists of four key components: SpiroSmoother for stabilizing the Volume-Flow curve, SpiroEncoder for capturing volume variability-pattern through key patches of varying lengths, SpiroExplainer for integrating heterogeneous data and explaining predictions through volume attention, and SpiroPredictor for predicting the disease risk of undiagnosed high-risk patients based on key patch concavity, with prediction horizons of 1, 2, 3, 4, 5 years, or even longer. Evaluated on the UK Biobank dataset, DeepSpiro achieved an AUC of 0.8328 for COPD detection and demonstrated strong predictive performance for future COPD risk (p-value < 0.001). In summary, DeepSpiro can effectively predicts the long-term progression of the COPD disease.
- Abstract(参考訳): 慢性閉塞性肺疾患(慢性閉塞性肺疾患、COPD)は、気道閉塞を特徴とする慢性肺疾患である。
現在の診断法は、主にPDを検出するためのスピロメトリ(Volume-Flow time series)の顕著な特徴の同定に頼っているが、微妙なデータパターンに基づく将来のPDリスクの予測には適していない。
本研究では,新しい深層学習に基づくアプローチであるDeepSpiroを紹介し,今後のCOPDリスクの早期予測を目的とした。
DeepSpiroは4つの主要なコンポーネントで構成されている: ボリュームフロー曲線を安定化するためのSpiroSmoother、様々な長さのキーパッチを通じてボリューム変動パターンをキャプチャするSpiroEncoder、異種データの統合とボリュームアテンションによる予測を説明するSpiroExplainer、キーパッチの凹凸に基づいて未診断のハイリスク患者の病気リスクを予測するSpiroPredictor、予測の地平線が1, 2, 3, 4, 5年以上ある。
イギリスバイオバンクのデータセットで評価され、DeepSpiroはCOPD検出のためのAUCの0.8328を達成し、将来のCOPDリスク(p-value < 0.001)に対して強い予測性能を示した。
要約すると、DeepSpiro は COPD 病の長期進行を効果的に予測できる。
関連論文リスト
- 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) - CIRDataset: A large-scale Dataset for Clinically-Interpretable lung
nodule Radiomics and malignancy prediction [4.00916638804083]
肺結節の表面の鋭く曲がりくねったスパイクは、肺がんの悪性度を予測できる。
SOTA悪性度予測アルゴリズムにおけるこれらの臨床的に報告された特徴の重要性を調査するための公開データセットは今のところ存在しない。
CIRDatasetは,QA/QCによる画像解析/ロブレーションアノテーション956点を含む大規模臨床応用放射線学データセットである。
論文 参考訳(メタデータ) (2022-06-29T20:46:12Z) - 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) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z)
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。