論文の概要: Scaling convolutional neural networks achieves expert-level seizure detection in neonatal EEG

• arxiv url: http://arxiv.org/abs/2405.09911v1
• Date: Thu, 16 May 2024 08:59:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 14:51:34.630032
• Title: Scaling convolutional neural networks achieves expert-level seizure detection in neonatal EEG
• Title（参考訳）: 畳み込み神経ネットワークのスケーリングは新生児脳波における専門家レベルの発作検出を実現する
• Authors: Robert Hogan, Sean R. Mathieson, Aurel Luca, Soraia Ventura, Sean Griffin, Geraldine B. Boylan, John M. O'Toole,
• Abstract要約: 新生児332例の脳波データを用いて発作検出モデルを構築した。 このモデルは、チャネル毎に12k以上の発作イベントをアノテートした開発データセットでトレーニングされ、テストされた。 完全に見えないデータに対する専門家レベルの同値性は、この分野で初めて、このモデルがさらなる臨床的検証の準備が整っていることを強く示唆した。
• 参考スコア（独自算出の注目度）: 2.167349286446486
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Neonatal seizures are a neurological emergency that require urgent treatment. They are hard to diagnose clinically and can go undetected if EEG monitoring is unavailable. EEG interpretation requires specialised expertise which is not widely available. Algorithms to detect EEG seizures can address this limitation but have yet to reach widespread clinical adoption. Methods: Retrospective EEG data from 332 neonates was used to develop and validate a seizure-detection model. The model was trained and tested with a development dataset ($n=202$) that was annotated with over 12k seizure events on a per-channel basis. This dataset was used to develop a convolutional neural network (CNN) using a modern architecture and training methods. The final model was then validated on two independent multi-reviewer datasets ($n=51$ and $n=79$). Results: Increasing dataset and model size improved model performance: Matthews correlation coefficient (MCC) and Pearson's correlation ($r$) increased by up to 50% with data scaling and up to 15% with model scaling. Over 50k hours of annotated single-channel EEG was used for training a model with 21 million parameters. State-of-the-art was achieved on an open-access dataset (MCC=0.764, $r=0.824$, and AUC=0.982). The CNN attains expert-level performance on both held-out validation sets, with no significant difference in inter-rater agreement among the experts and among experts and algorithm ($\Delta \kappa < -0.095$, $p>0.05$). Conclusion: With orders of magnitude increases in data and model scale we have produced a new state-of-the-art model for neonatal seizure detection. Expert-level equivalence on completely unseen data, a first in this field, provides a strong indication that the model is ready for further clinical validation.
• Abstract（参考訳）: 背景:新生児発作は緊急治療を必要とする神経学的緊急事態である。 臨床診断は困難であり、脳波モニタリングが利用できない場合は検出されない。 脳波の解釈には、広く利用できない専門知識が必要である。 脳波の発作を検出するアルゴリズムは、この制限に対処できるが、まだ広範な臨床応用には至っていない。 方法: 332新生児の脳波データを用いて発作検出モデルの開発と評価を行った。 このモデルは、チャネル毎に12k以上の発作イベントをアノテートした開発データセット(n=202$)でトレーニングされ、テストされた。 このデータセットは、現代的なアーキテクチャとトレーニング手法を使用した畳み込みニューラルネットワーク(CNN)の開発に使用された。 最終モデルは、2つの独立したマルチビューアデータセット(n=51$と$n=79$)で検証された。 結果: データセットとモデルサイズの増加により、モデルパフォーマンスが改善された。 マシューズ相関係数(MCC)とピアソン相関(r$)は、データスケーリングで最大50%、モデルスケーリングで最大15%増加した。 2100万のパラメータを持つモデルのトレーニングには,5万時間以上の注釈付き単一チャネルEEGが使用された。 最先端はオープンアクセスデータセット(MCC=0.764、$r=0.824$、AUC=0.982)で達成された。 CNNは、両方の保持された検証セットで専門家レベルのパフォーマンスを達成しており、専門家と専門家の間でのラッター間合意に大きな違いはない(\Delta \kappa < -0.095$, $p>0.05$)。 結論: データの桁数増加とモデルスケールにより, 新生児発作検出のための新しい最先端モデルが生み出された。 完全に見えないデータに対する専門家レベルの等価性は、この分野で最初に、このモデルがさらなる臨床的検証の準備が整っていることを強く示している。

関連論文リスト

• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Uncertainty-Aware Semi-Supervised Learning for Prostate MRI Zonal Segmentation [0.9176056742068814]
  比較的少数のアノテーションしか必要としない新しい半教師付き学習(SSL)手法を提案する。 提案手法は,近年の深層学習の不確実性推定モデルを用いた擬似ラベル手法を用いる。 提案モデルは,ProstateXデータセットと外部テストセットを用いた実験において,半教師付きモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-10T08:50:04Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Improving self-supervised pretraining models for epileptic seizure detection from EEG data [0.23624125155742057]
  本稿では、時系列に基づく拡散畳み込みニューラルネットワーク(DCRNN)モデルの性能を高めるための様々な自己超越戦略を提案する。 自己超越事前訓練フェーズの学習重量は、モデルの予測能力を高めるために教師付きトレーニングフェーズに移行することができる。
  論文  参考訳（メタデータ） (2022-06-28T17:15:49Z)
• Learning to Adapt Clinical Sequences with Residual Mixture of Experts [12.881413375147996]
  全患者の複雑な動態を表現するために,Mixture-of-Experts (MoE)アーキテクチャを提案する。 アーキテクチャは、患者サブポピュレーションをカバーし、ベースモデルの予測を精査する複数の(専門的な)RNNモデルで構成されている。 一つのRNN予測と比較すると, AUPRC統計は4.1%向上した。
  論文  参考訳（メタデータ） (2022-04-06T09:23:12Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Simple Recurrent Neural Networks is all we need for clinical events predictions using EHR data [22.81278657120305]
  リカレントニューラルネットワーク(Recurrent Neural Network, RNN)は、EHRに基づく臨床イベント予測モデルのための一般的なアーキテクチャである。 心不全の発症リスクと入院早期入院のリスクの2つの予測課題を用いた。 GRUやLSTMなどの単純なゲート付きRNNモデルでは,ベイズ最適化を適切に調整した場合に,しばしば競合する結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-10-03T13:07:23Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• A Generative Model to Synthesize EEG Data for Epileptic Seizure Prediction [3.8271082752302137]
  本稿では, 合成脳波サンプルを生成するための深層畳み込み生成対向ネットワークを提案する。 我々は合成データ、すなわち1クラスSVMと、畳み込みてんかん発作予測器(CESP)と呼ばれる新しい提案を2つの手法で検証する。 以上の結果から,CESPモデルでは78.11%,88.21%,FPR0.27/h,0.14/hの感度が得られた。
  論文  参考訳（メタデータ） (2020-12-01T12:00:36Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。