論文の概要: Arges: Spatio-Temporal Transformer for Ulcerative Colitis Severity Assessment in Endoscopy Videos
- arxiv url: http://arxiv.org/abs/2410.00536v1
- Date: Tue, 1 Oct 2024 09:23:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 04:57:03.289846
- Title: Arges: Spatio-Temporal Transformer for Ulcerative Colitis Severity Assessment in Endoscopy Videos
- Title（参考訳）: 内視鏡画像における潰瘍性大腸炎重症度評価のための時空間変換器
- Authors: Krishna Chaitanya, Pablo F. Damasceno, Shreyas Fadnavis, Pooya Mobadersany, Chaitanya Parmar, Emily Scherer, Natalia Zemlianskaia, Lindsey Surace, Louis R. Ghanem, Oana Gabriela Cula, Tommaso Mansi, Kristopher Standish,
- Abstract要約: 専門家のMES/UCEISアノテーションは時間を要するため、ラター間のばらつきに影響を受けやすい。
エンド・ツー・エンド(e2e)トレーニングを備えたCNNベースの弱い教師付きモデルでは、新しい疾患スコアへの一般化が欠如している。
アルジェス(Arges)は、内視鏡で病気の重症度を推定するために位置エンコーディングを組み込んだ深層学習フレームワークである。
- 参考スコア（独自算出の注目度）: 2.0735422289416605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate assessment of disease severity from endoscopy videos in ulcerative colitis (UC) is crucial for evaluating drug efficacy in clinical trials. Severity is often measured by the Mayo Endoscopic Subscore (MES) and Ulcerative Colitis Endoscopic Index of Severity (UCEIS) score. However, expert MES/UCEIS annotation is time-consuming and susceptible to inter-rater variability, factors addressable by automation. Automation attempts with frame-level labels face challenges in fully-supervised solutions due to the prevalence of video-level labels in clinical trials. CNN-based weakly-supervised models (WSL) with end-to-end (e2e) training lack generalization to new disease scores and ignore spatio-temporal information crucial for accurate scoring. To address these limitations, we propose "Arges", a deep learning framework that utilizes a transformer with positional encoding to incorporate spatio-temporal information from frame features to estimate disease severity scores in endoscopy video. Extracted features are derived from a foundation model (ArgesFM), pre-trained on a large diverse dataset from multiple clinical trials (61M frames, 3927 videos). We evaluate four UC disease severity scores, including MES and three UCEIS component scores. Test set evaluation indicates significant improvements, with F1 scores increasing by 4.1% for MES and 18.8%, 6.6%, 3.8% for the three UCEIS component scores compared to state-of-the-art methods. Prospective validation on previously unseen clinical trial data further demonstrates the model's successful generalization.
- Abstract（参考訳）: 潰瘍性大腸炎 (UC) における内視鏡検査による重症度評価は, 臨床治験における薬効評価に重要である。
重症度は,Mayo Endoscopic Subscore(MES)とUlcerative Colitis Endoscopic Index of Severity(UCEIS)スコアで測定されることが多い。
しかし、専門家のMES/UCEISアノテーションは、自動化によって対処できる要因である、ラター間のばらつきに時間がかかり、影響を受けやすい。
フレームレベルのラベルによる自動化の試みは、臨床試験におけるビデオレベルのラベルの普及により、完全に教師されたソリューションにおける課題に直面している。
CNN-based weak-supervised model (WSL) with end-to-end (e2e) training without generalization to new disease scores and ignores spatio-temporal information essential for accurate score。
このような制約に対処するため,本研究では,フレーム特徴から時空間情報を組み込んだ変換器を用いた深層学習フレームワーク「Arges」を提案し,内視鏡映像における疾患重症度スコアを推定する。
抽出された特徴は、複数の臨床試験(61Mフレーム、3927ビデオ)から、多種多様なデータセットで事前訓練された基礎モデル(ArgesFM)から導かれる。
MESと3つのUCEIS成分スコアを含む4つのUC病重症度スコアを評価した。
テストセット評価では、MESではF1スコアが4.1%増加し、18.8%、6.6%、UCEISでは3つのスコアが3.8%向上した。
未確認の臨床試験データに対する前向きな検証は、モデルの一般化の成功をさらに証明している。
関連論文リスト
- Can artificial intelligence predict clinical trial outcomes? [5.326858857564308]
本研究では,大言語モデル(LLM)の臨床試験結果の予測能力について検討した。
我々は、バランスの取れた精度、特異性、リコール、マシューズ相関係数(MCC)などの指標を用いてモデルの性能を比較する。
高い複雑さを特徴とする腫瘍学の試行は、全てのモデルで難しいままである。
論文 参考訳（メタデータ） (2024-11-26T17:05:27Z) - FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。
6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。
単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文 参考訳（メタデータ） (2024-07-11T19:12:23Z) - Fusion of Diffusion Weighted MRI and Clinical Data for Predicting
Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。
AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
論文 参考訳（メタデータ） (2024-02-16T18:51:42Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with
Meta-Learning [67.8195828626489]
臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。
本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。
タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
論文 参考訳（メタデータ） (2023-04-07T23:04:27Z) - Patch-level instance-group discrimination with pretext-invariant
learning for colitis scoring [2.691339855008848]
自己教師型学習(SSL)のためのプリテキスト不変表現学習(PLD-PIRL)を用いたパッチレベルの新しいインスタンスグループ識別手法を提案する。
本実験では,ベースライン教師付きネットワークや最先端SSL方式と比較して,精度とロバスト性の向上を実証した。
論文 参考訳（メタデータ） (2022-07-11T21:06:29Z) - Automatic Estimation of Ulcerative Colitis Severity from Endoscopy
Videos using Ordinal Multi-Instance Learning [50.591267188664666]
潰瘍性大腸炎(Ulcerative colitis, UC)は、大腸の炎症を再発させることを特徴とする慢性炎症性腸疾患である。
UCの重症度は、内視鏡ビデオから粘膜疾患の活性を定量化するMayo Endoscopic Subscore (MES)によって表されることが多い。
本稿では,ビデオMESラベルのみからフレーム重大度を推定する,弱教師付き順序分類手法を提案する。
論文 参考訳（メタデータ） (2021-09-29T19:42:51Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Explainability Guided Multi-Site COVID-19 CT Classification [79.4957965474334]
監督されたポジティブなケースの限られた数、地域ベースの監督の欠如、および買収サイト間のばらつきに対処する。
現状と比較すると,比較的多くの症例を抱えるサイトにおいてF1スコアが5%増加し,訓練画像が少ないサイトでは2倍の差がみられた。
論文 参考訳（メタデータ） (2021-03-25T08:56:08Z) - Validation and Optimization of Multi-Organ Segmentation on Clinical
Imaging Archives [7.036733782879497]
2015年のMICCAIチャレンジは、多臓器性腹部CTセグメンテーションの大幅な革新を引き起こした。
近年のディープメソッドの革新は、臨床翻訳が魅力的であるレベルにパフォーマンスを誘導している。
オープンデータセットのクロスバリデーションは間接的な知識汚染のリスクを示し、円形の推論をもたらす可能性がある。
論文 参考訳（メタデータ） (2020-02-10T21:49:42Z)
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。