Fugu-MT 論文翻訳(概要): Latent Relationship Mining of Glaucoma Biomarkers: a TRI-LSTM based Deep Learning

論文の概要: Latent Relationship Mining of Glaucoma Biomarkers: a TRI-LSTM based Deep Learning

arxiv url: http://arxiv.org/abs/2408.15555v1
Date: Wed, 28 Aug 2024 06:08:46 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 17:03:09.251667
Title: Latent Relationship Mining of Glaucoma Biomarkers: a TRI-LSTM based Deep Learning
Title（参考訳）: 緑内障バイオマーカーの潜在的関係マイニング:TRI-LSTMを用いたディープラーニング
Authors: Cheng Huang, Junhao Shen, Qiuyu Luo, Karanjit Kooner, Tsengdar Lee, Yishen Liu, Jia Zhang,
Abstract要約: 我々は認知科学の概念から学び、眼科医が緑内障の検出をどう判断するかを研究する。本稿では,バイオマーカー指向機械学習モデルに基づく階層的意思決定システムを提案する。本モデルは緑内障バイオマーカーの内在的な関係を探究する最初の試みの一つである。
参考スコア（独自算出の注目度）: 4.35211788867287
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recently years, a significant amount of research has been conducted on applying deep learning methods for glaucoma classification and detection. However, the explainability of those established machine learning models remains a big concern. In this research, in contrast, we learn from cognitive science concept and study how ophthalmologists judge glaucoma detection. Simulating experts' efforts, we propose a hierarchical decision making system, centered around a holistic set of carefully designed biomarker-oriented machine learning models. While biomarkers represent the key indicators of how ophthalmologists identify glaucoma, they usually exhibit latent inter-relations. We thus construct a time series model, named TRI-LSTM, capable of calculating and uncovering potential and latent relationships among various biomarkers of glaucoma. Our model is among the first efforts to explore the intrinsic connections among glaucoma biomarkers. We monitor temporal relationships in patients' disease states over time and to capture and retain the progression of disease-relevant clinical information from prior visits, thereby enriching biomarker's potential relationships. Extensive experiments over real-world dataset have demonstrated the effectiveness of the proposed model.
Abstract（参考訳）: 近年,緑内障の分類・検出に深層学習を適用した研究が盛んに行われている。しかし、これらの確立された機械学習モデルの説明可能性には大きな懸念がある。これとは対照的に、認知科学の概念から学び、眼科医が緑内障の検出をどう判断するかを研究する。専門家の努力をシミュレートし、慎重に設計されたバイオマーカー指向機械学習モデルの包括的集合を中心に、階層的な意思決定システムを提案する。バイオマーカーは眼科医が緑内障をどう識別するかを示す重要な指標であるが、通常は潜伏した関係を示す。そこで我々は,緑内障の様々なバイオマーカー間の潜在的および潜伏的関係を計算し,解明できる時系列モデル TRI-LSTM を構築した。本モデルは緑内障バイオマーカーの内在的な関係を探究する最初の試みの一つである。患者の病状状態の経時的関係を観察し, 来院後の病関連臨床情報の経過を把握, 維持し, バイオマーカーの可能性を高める。実世界のデータセットに対する大規模な実験により,提案モデルの有効性が実証された。

関連論文リスト

Deep Learning to Predict Glaucoma Progression using Structural Changes in the Eye [0.20718016474717196]
緑内障は視神経症を特徴とする慢性眼疾患であり、不可逆的な視力喪失を引き起こす。早期発見は萎縮をモニターし、さらなる視力障害を防ぐ治療戦略を開発するために重要である。本研究では,深層学習モデルを用いて,複雑な疾患の特徴と進行基準を同定する。
論文参考訳（メタデータ） (2024-06-09T01:12:41Z)
Deep-learning-based clustering of OCT images for biomarker discovery in age-related macular degeneration (Pinnacle study report 4) [7.932410831191909]
加齢関連黄斑変性症(AMD)に対する深層学習に基づくバイオマーカーの提案について紹介する。まず、自己教師付きコントラスト学習を用いてニューラルネットワークをトレーニングし、既知のAMDバイオマーカーと未知のAMDバイオマーカーの両方に関連する特徴を発見する。
論文参考訳（メタデータ） (2024-03-12T13:48:17Z)
ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文参考訳（メタデータ） (2023-11-01T14:44:01Z)
Clustering disease trajectories in contrastive feature space for biomarker discovery in age-related macular degeneration [7.2870166968239305]
加齢に伴う黄斑変性は、高齢者の視覚障害の主要な原因である。画像バイオマーカーに基づく現在のグレーディングシステムは、粗いグループ病段階のみ広範囲に分類されている。本稿では,病の進行の時間的ダイナミクスを捉えるバイオマーカーを自動的に検出する手法を提案する。
論文参考訳（メタデータ） (2023-01-11T15:44:42Z)
Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文参考訳（メタデータ） (2023-01-07T18:36:44Z)
Counterfactual Image Synthesis for Discovery of Personalized Predictive Image Markers [0.293168019422713]
そこで本研究では,深部条件生成モデルを用いて,主観的疾患の進展に関連があるベースライン画像の局所像特徴を摂動させることが可能であることを示す。本モデルでは, 臨床像を反映した画像特徴の変化により, 集団レベルでのMRI像の現況を予測し, 治療効果を検証した。
論文参考訳（メタデータ） (2022-08-03T18:58:45Z)
Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文参考訳（メタデータ） (2022-06-04T13:16:30Z)
Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文参考訳（メタデータ） (2021-12-20T13:29:13Z)
Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文参考訳（メタデータ） (2021-10-04T16:06:49Z)
Alzheimer's Disease Diagnosis via Deep Factorization Machine Models [3.135152720206844]
アルツハイマー病の診断における現在の最先端のディープニューラルネットワーク(DNN)は、患者を分類するために異なるバイオマーカーの組み合わせを使用している。本稿では,DNNの複雑な関係学習能力と線形モデルの解釈容易性を組み合わせたDeep Factorization Machineモデルを提案する。
論文参考訳（メタデータ） (2021-08-12T18:39:04Z)
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。