論文の概要: Addressing Asynchronicity in Clinical Multimodal Fusion via Individualized Chest X-ray Generation
- arxiv url: http://arxiv.org/abs/2410.17918v1
- Date: Wed, 23 Oct 2024 14:34:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-24 13:57:28.277580
- Title: Addressing Asynchronicity in Clinical Multimodal Fusion via Individualized Chest X-ray Generation
- Title(参考訳): クリニカルマルチモーダル固定術における胸部X線像の個別化による同時性の検討
- Authors: Wenfang Yao, Chen Liu, Kejing Yin, William K. Cheung, Jing Qin,
- Abstract要約: 本稿では,胸部X線像の最新の画像表現を動的に生成するDDL-CXRを提案する。
提案手法は,従来のCXR画像とERH時系列を戦略的に条件付けした患者特異的生成のための潜時拡散モデルを利用する。
MIMICデータセットを用いた実験は、提案モデルがマルチモーダル融合における非同期性に効果的に対応し、既存の手法を一貫して上回ることを示す。
- 参考スコア(独自算出の注目度): 14.658627367126009
- License:
- Abstract: Integrating multi-modal clinical data, such as electronic health records (EHR) and chest X-ray images (CXR), is particularly beneficial for clinical prediction tasks. However, in a temporal setting, multi-modal data are often inherently asynchronous. EHR can be continuously collected but CXR is generally taken with a much longer interval due to its high cost and radiation dose. When clinical prediction is needed, the last available CXR image might have been outdated, leading to suboptimal predictions. To address this challenge, we propose DDL-CXR, a method that dynamically generates an up-to-date latent representation of the individualized CXR images. Our approach leverages latent diffusion models for patient-specific generation strategically conditioned on a previous CXR image and EHR time series, providing information regarding anatomical structures and disease progressions, respectively. In this way, the interaction across modalities could be better captured by the latent CXR generation process, ultimately improving the prediction performance. Experiments using MIMIC datasets show that the proposed model could effectively address asynchronicity in multimodal fusion and consistently outperform existing methods.
- Abstract(参考訳): 電子健康記録(EHR)や胸部X線画像(CXR)などのマルチモーダルな臨床データを統合することは臨床予測タスクに特に有用である。
しかし、時間的設定では、マルチモーダルデータは本質的に非同期であることが多い。
EHRは連続的に回収できるが、CXRは高いコストと放射線線量のために、一般的にずっと長い間隔で採取される。
臨床的予測が必要な場合、最後のCXR画像は時代遅れになり、至適の予測に繋がる可能性がある。
この課題に対処するために,個人化されたCXR画像の最新の潜在表現を動的に生成するDDL-CXRを提案する。
提案手法は,CXR画像とERH時系列を戦略的に条件付けした患者特異的世代に対する潜伏拡散モデルを用いて,解剖学的構造と疾患進行に関する情報を提供する。
このようにして、モード間の相互作用は、潜伏したCXR生成プロセスによりよりよく捕捉され、最終的に予測性能が向上する。
MIMICデータセットを用いた実験は、提案モデルがマルチモーダル融合における非同期性に効果的に対応し、既存の手法を一貫して上回ることを示す。
関連論文リスト
- Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳(メタデータ) (2025-01-30T06:49:57Z) - Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文 参考訳(メタデータ) (2024-12-30T01:59:34Z) - Towards Predicting Temporal Changes in a Patient's Chest X-ray Images based on Electronic Health Records [9.398163873685798]
本稿では,従来のCXRとその後の医療イベントを統合することで,将来のCXR画像を予測する新しいフレームワークであるEHRXDiffを提案する。
我々のフレームワークは、時間的変化を捉えた高品質で現実的な未来像を生成することを実証する。
これは、医療分野における患者のモニタリングと治療計画に有用な洞察を与える可能性がある。
論文 参考訳(メタデータ) (2024-09-11T04:49:44Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳(メタデータ) (2024-06-20T02:20:23Z) - Longitudinal Data and a Semantic Similarity Reward for Chest X-Ray Report Generation [7.586632627817609]
放射線学者は、解釈と報告を必要とする胸部X線(CXR)の量の増加のために、高いバーンアウト率に直面している。
提案するCXRレポートジェネレータは,ワークフローの要素を統合し,強化学習のための新たな報酬を導入する。
本研究の結果から, 提案モデルでは, 最新技術モデルよりも, 放射線学者の報告に適合した報告が生成されることがわかった。
論文 参考訳(メタデータ) (2023-07-19T05:41:14Z) - tdCoxSNN: Time-Dependent Cox Survival Neural Network for Continuous-time
Dynamic Prediction [19.38247205641199]
本研究では,時間依存型Coxサバイバルニューラルネットワーク(tdCoxSNN)を提案する。
提案手法と共同モデリングおよびランドマーク手法を広範囲なシミュレーションにより評価・比較する。
論文 参考訳(メタデータ) (2023-07-12T03:03:40Z) - End-To-End Prediction of Knee Osteoarthritis Progression With
Multi-Modal Transformers [2.9822184411723645]
変形性膝関節症(KOA)は慢性筋骨格疾患である。
我々は、Deep Learningの最近の進歩を活用し、膝画像データのマルチモーダル融合のための統一的なフレームワークを開発した。
追跡分析の結果,画像データからの予測は外傷後の被験者に対してより正確であることが示唆された。
論文 参考訳(メタデータ) (2023-07-03T09:10:57Z) - Early Diagnosis of Chronic Obstructive Pulmonary Disease from Chest
X-Rays using Transfer Learning and Fusion Strategies [1.234198411367205]
慢性閉塞性肺疾患(慢性閉塞性肺疾患、COPD)は、世界でも最も多い慢性疾患の一つであり、世界第3位の死因である。
診断は後年まで行われなかったり、診断されなかったりすることが多い。
スピロメトリテストは、PDを診断するための金の標準であるが、特に資源不足国では入手が困難である。
胸部X線(CXR)は容易に利用可能であり、さらなる検査を行うべき COPD 患者のスクリーニングツールとして機能する。
論文 参考訳(メタデータ) (2022-11-13T15:12:22Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳(メタデータ) (2022-04-20T17:28:08Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z)
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。