論文の概要: A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis

• arxiv url: http://arxiv.org/abs/2406.10119v2
• Date: Fri, 28 Mar 2025 17:00:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-31 15:28:07.659941
• Title: A Progressive Risk Formulation for Enhanced Deep Learning based Total Knee Replacement Prediction in Knee Osteoarthritis
• Title（参考訳）: 変形性膝関節症における深層学習に基づく人工膝置換予測の進歩的リスクフォーミュレーション
• Authors: Haresh Rengaraj Rajamohan, Richard Kijowski, Kyunghyun Cho, Cem M. Deniz,
• Abstract要約: 変形性膝関節症におけるTKR(Total Knee Replacement)の必要性を予測するための深層学習モデルを開発した。 モデルは、単一のスキャンを使用してTKR予測を実行し、さらに、以前のスキャンが利用可能になった場合、プログレッシブなリスク定式化を活用して予測を改善する。 変形性膝関節症(OAI)と多施設関節症研究(MOST)の膝X線写真とMRIを用いた。
• 参考スコア（独自算出の注目度）: 36.12790384412525
• License:
• Abstract: We developed deep learning models for predicting Total Knee Replacement (TKR) need within various time horizons in knee osteoarthritis patients, with a novel capability: the models can perform TKR prediction using a single scan, and furthermore when a previous scan is available, they leverage a progressive risk formulation to improve their predictions. Unlike conventional approaches that treat each scan of a patient independently, our method incorporates a constraint based on disease's progressive nature, ensuring that predicted TKR risk either increases or remains stable over time when multiple scans of a knee are available. This was achieved by enforcing a progressive risk formulation constraint during training with patients who have more than one available scan in the studies. Knee radiographs and MRIs from the Osteoarthritis Initiative (OAI) and Multicenter Osteoarthritis Study (MOST) were used in this work and deep learning models were trained to predict TKR within 1, 2, and 4-year time periods. The proposed approach, utilizing a dual-model risk constraint architecture, demonstrated superior performance compared to baseline - conventional models trained with standard binary cross entropy loss. It achieved an AUROC of 0.87 and AUPRC of 0.47 for 1-year TKR prediction on the OAI radiograph test set, considerably improving over the baseline AUROC of 0.79 and AUPRC of 0.34. For the MOST radiograph test set, the proposed approach achieved an AUROC of 0.77 and AUPRC of 0.25 for 1-year predictions, outperforming the baseline AUROC of 0.71 and AUPRC of 0.19. Similar trends were observed in the MRI testsets
• Abstract（参考訳）: 変形性膝関節症患者におけるTKR(Total Knee Replacement, TKR)の必要性を予測するためのディープラーニングモデルを開発した。 患者の各スキャンを個別に扱う従来の方法とは異なり、本手法は疾患の進行性に基づく制約を取り入れ、TKRの予測リスクが増加するか、複数の膝のスキャンが利用可能である時間とともに安定し続けることを保証している。 これは、研究で利用可能な複数のスキャンを持つ患者とのトレーニング中に、プログレッシブ・リスク・フォーミュレーションの制約を課すことによって達成された。 変形性膝関節症(OAI)と多施設関節炎研究(MOST)の膝X線写真とMRIを用いて,TKRを1, 2, 4年周期で予測する深層学習モデルを訓練した。 提案手法は、二モデルリスク制約アーキテクチャを用いて、標準的な二項交叉エントロピー損失を訓練した従来のモデルであるベースラインよりも優れた性能を示した。 AUROCは0.87、AUPRCは0.47で、OAIテストセットでは1年間のTKR予測を達成し、AUROCは0.79、AUPRCは0.34で大幅に改善された。 MOSTテストセットでは、提案手法は1年間の予測で0.77AUROCと0.25AUPRCを達成し、ベースラインの0.71AUROCと0.19AUPRCを上回った。 同様の傾向がMRIで観察された。

関連論文リスト

• KneeXNeT: An Ensemble-Based Approach for Knee Radiographic Evaluation [5.715859759904031]
  変形性膝関節症(OA)は関節症で最も一般的な疾患であり、障害の主な原因である。 本研究は, 膝OA重症度を分類し, 専門家による評価の必要性を低減させる自動深層学習モデルを開発した。 我々のアンサンブルモデルであるKneeXNetは0.72の精度を達成し、膝OA評価の自動化ツールとしての可能性を示した。
  論文  参考訳（メタデータ） (2024-12-10T14:02:04Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Provable Risk-Sensitive Distributional Reinforcement Learning with General Function Approximation [54.61816424792866]
  本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。 モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-02-28T08:43:18Z)
• Recurrence-Free Survival Prediction for Anal Squamous Cell Carcinoma Chemoradiotherapy using Planning CT-based Radiomics Model [5.485361086613949]
  非転移性肛門扁平上皮癌(SCC)患者の約30%が化学療法後の再発を経験する 我々は,放射線前処置計画CTから抽出した情報を利用して,CRT後のSCC患者における再発無生存(RFS)を予測するモデルを開発した。
  論文  参考訳（メタデータ） (2023-09-05T20:22:26Z)
• GRU-D-Weibull: A Novel Real-Time Individualized Endpoint Prediction [10.871599399011306]
  ワイブル分布をモデル化するために、ゲート再帰単位と崩壊(GRU-D)を組み合わせた新しいアプローチGRU-D-Weibullを提案する。 4期慢性腎臓病(CKD4)6,879例のコホートを用いて,GRU-D-Weibullの終末予測成績を検討した。 提案手法はCKD4指数で1.1年(SD 0.95)、フォローアップ4年で0.45年(SD0.3)の絶対L1損失を達成し,競合法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-08-14T20:46:16Z)
• Deep Learning for Predicting Progression of Patellofemoral Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and Symptomatic Assessments [1.1549572298362785]
  本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。 PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。 年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
  論文  参考訳（メタデータ） (2023-05-10T06:43:33Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario [0.33927193323747895]
  我々は、リスクスコアと機械学習モデルの両方の最高の特徴を組み合わせた、新たなリスクアセスメント方法論を作成するつもりです。 提案手法は、標準LRと同一の試験結果を得たが、より優れた解釈性とパーソナライゼーションを提供する。 個人予測の信頼性推定は誤分類率と大きな相関を示した。
  論文  参考訳（メタデータ） (2021-10-15T19:33:46Z)
• 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。