Fugu-MT 論文翻訳(概要): Automated Schizophrenia Detection from Handwriting Samples via Transfer Learning Convolutional Neural Networks

論文の概要: Automated Schizophrenia Detection from Handwriting Samples via Transfer Learning Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2408.06347v1
Date: Tue, 23 Jul 2024 15:16:34 GMT
ステータス: 処理完了
システム内更新日: 2024-08-19 03:57:10.759610
Title: Automated Schizophrenia Detection from Handwriting Samples via Transfer Learning Convolutional Neural Networks
Title（参考訳）: トランスファーラーニング畳み込みニューラルネットワークによる手書きサンプルの自動統合失調症検出
Authors: Rafael Castro, Ishaan Patel, Tarun Patanjali, Priya Iyer,
Abstract要約: 統合失調症 (Schizophrenia) は、日常生活に深刻な障害を与える世界的な精神疾患である。本研究の目的は, 統合失調症手書きサンプルと非統合失調症手書きサンプルを識別するための, 正確で客観的かつアクセス可能な計算手法を開発することである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Schizophrenia is a globally prevalent psychiatric disorder that severely impairs daily life. Schizophrenia is caused by dopamine imbalances in the fronto-striatal pathways of the brain, which influences fine motor control in the cerebellum. This leads to abnormalities in handwriting. The goal of this study was to develop an accurate, objective, and accessible computational method to be able to distinguish schizophrenic handwriting samples from non-schizophrenic handwriting samples. To achieve this, data from Crespo et al. (2019) was used, which contains images of handwriting samples from schizophrenic and non-schizophrenic patients. The data was preprocessed and augmented to produce a more robust model that can recognize different types of handwriting. The data was used to train several different convolutional neural networks, and the model with the base architecture of InceptionV3 performed the best, differentiating between the two types of image with a 92% accuracy rate. To make this model accessible, a secure website was developed for medical professionals to use for their patients. Such a result suggests that handwriting analysis through computational models holds promise as a non-invasive and objective method for clinicians to diagnose and monitor schizophrenia.
Abstract（参考訳）: 統合失調症 (Schizophrenia) は、日常生活に深刻な障害を与える世界的な精神疾患である。統合失調症は、小脳の運動制御に影響を及ぼす脳前頭-線条経路におけるドーパミンの不均衡によって引き起こされる。これは筆跡の異常につながる。本研究の目的は、統合失調症手書きサンプルと非統合失調症手書きサンプルを識別できる正確で客観的でアクセスしやすい計算方法を開発することである。これを実現するために、Crespo et al (2019) のデータを使用し、統合失調症患者および非統合失調症患者の筆跡サンプルの画像を含む。データは事前処理され、さまざまなタイプの手書き認識が可能な、より堅牢なモデルを生成するように拡張された。データは、いくつかの異なる畳み込みニューラルネットワークをトレーニングするために使用され、InceptionV3のベースアーキテクチャを持つモデルは、92%の精度で2種類の画像の最も優れた差別化を実行した。このモデルを利用できるようにするために、医療専門家が患者に使える安全なウェブサイトが開発された。このような結果は、臨床医が統合失調症を診断し、モニターするための非侵襲的で客観的な方法として、計算モデルによる手書き解析が約束されていることを示唆している。

関連論文リスト

Towards Accessible Learning: Deep Learning-Based Potential Dysgraphia Detection and OCR for Potentially Dysgraphic Handwriting [1.9575346216959502]
図形障害(Dysgraphia)は、手書き能力に影響を与える学習障害である。早期検出とモニタリングは、タイムリーなサポートと介入を提供するために不可欠である。本研究では、ディープラーニング技術を用いて、ディジグラフィ検出と光学的文字認識の2つの課題に対処する。
論文参考訳（メタデータ） (2024-11-18T13:28:26Z)
Explainable AI in Handwriting Detection for Dyslexia Using Transfer Learning [0.0]
本稿では,手書き解析による失読症検出のための説明可能なAI(XAI)フレームワークを提案する。我々の手法は最先端の手法を超越し、試験精度は0.9958である。この枠組みは診断精度を向上するだけでなく、教育者、臨床医、両親の信頼と理解を促進する。
論文参考訳（メタデータ） (2024-10-18T11:14:54Z)
MentalArena: Self-play Training of Language Models for Diagnosis and Treatment of Mental Health Disorders [59.515827458631975]
メンタルヘルス障害は世界で最も深刻な病気の1つである。プライバシーに関する懸念は、パーソナライズされた治療データのアクセシビリティを制限する。 MentalArenaは、言語モデルをトレーニングするためのセルフプレイフレームワークである。
論文参考訳（メタデータ） (2024-10-09T13:06:40Z)
Multimodal Ensemble with Conditional Feature Fusion for Dysgraphia Diagnosis in Children from Handwriting Samples [0.7671590907056449]
発達障害 (Developmental dysgraphia) は、小児の筆記能力を妨げる神経疾患である。オンラインとオフラインの両方の手書きデータを利用した新しいマルチモーダル機械学習手法を提案する。提案手法は88.8%の精度を達成し,SVMを12-14%上回った。
論文参考訳（メタデータ） (2024-08-25T07:42:54Z)
Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文参考訳（メタデータ） (2023-10-04T21:57:09Z)
Multi-site Diagnostic Classification Of Schizophrenia Using 3D CNN On Aggregated Task-based fMRI Data [0.0]
統合失調症の発展の基盤となるメカニズムと、その再発、症状学、治療は謎のままである。統合失調症の多様性と複雑な性質に対処するための適切な分析ツールがないことは、この疾患の発生に寄与する要因の1つである可能性がある。深層学習は統合失調症の根底にあるメカニズムを理解する強力なツールになる可能性がある。
論文参考訳（メタデータ） (2022-10-11T08:12:36Z)
Decoding speech perception from non-invasive brain recordings [48.46819575538446]
非侵襲的な記録から知覚音声の自己教師付き表現をデコードするために、コントラスト学習で訓練されたモデルを導入する。我々のモデルでは、3秒のMEG信号から、1,000以上の異なる可能性から最大41%の精度で対応する音声セグメントを識別できる。
論文参考訳（メタデータ） (2022-08-25T10:01:43Z)
FedMed-ATL: Misaligned Unpaired Brain Image Synthesis via Affine Transform Loss [58.58979566599889]
脳画像合成のための新しい自己教師型学習(FedMed)を提案する。アフィン変換損失(ATL)は、プライバシー法に違反することなく、ひどく歪んだ画像を使用するように定式化された。提案手法は, 極めて不整合かつ不整合なデータ設定下での合成結果の品質の両方において, 高度な性能を示す。
論文参考訳（メタデータ） (2022-01-29T13:45:39Z)
fMRI Neurofeedback Learning Patterns are Predictive of Personal and Clinical Traits [62.997667081978825]
機能的MRI(fMRI)による自律神経運動課題における学習経過の個人的シグネチャを得る。署名は、第1セッションで同様のfMRI由来の脳の状態が与えられた後、第2セッションで扁桃体の活動を予測することに基づいている。
論文参考訳（メタデータ） (2021-12-21T06:52:48Z)
Meta-learning on Spectral Images of Electroencephalogram of Schizophenics [0.0]
統合失調症 (Schizophrenia) は、思考パターン、知覚、気分、行動の変化を含む複雑な精神疾患である。神経イメージングと機械学習アルゴリズムの進歩は統合失調症の診断を促進する。
論文参考訳（メタデータ） (2021-01-27T20:51:25Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。