論文の概要: EchoNarrator: Generating natural text explanations for ejection fraction predictions
- arxiv url: http://arxiv.org/abs/2410.23744v1
- Date: Thu, 31 Oct 2024 08:59:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-01 17:01:51.497521
- Title: EchoNarrator: Generating natural text explanations for ejection fraction predictions
- Title（参考訳）: EchoNarrator: 吐出率予測のための自然なテキスト説明を生成する
- Authors: Sarina Thomas, Qing Cao, Anna Novikova, Daria Kulikova, Guy Ben-Yosef,
- Abstract要約: 左心室 (LV) の放出率 (EF) は, 急性心不全の診断において最も重要な測定基準の1つである。
近年のディープラーニング研究の成功はEF値の推定に成功しているが、提案されたモデルには予測に関する説明がないことが多い。
本稿では,複数のフレーム上でのLV輪郭の推定と,様々な動きや形状の属性を計算するためのモジュールとルーチンのセットを組み合わせるモデルを提案する。
そして、属性を大きな言語モデルに入力し、人間のような方法でネットワークの結果を説明するのに役立つテキストを生成する。
- 参考スコア（独自算出の注目度）: 1.3082208571657106
- License:
- Abstract: Ejection fraction (EF) of the left ventricle (LV) is considered as one of the most important measurements for diagnosing acute heart failure and can be estimated during cardiac ultrasound acquisition. While recent successes in deep learning research successfully estimate EF values, the proposed models often lack an explanation for the prediction. However, providing clear and intuitive explanations for clinical measurement predictions would increase the trust of cardiologists in these models. In this paper, we explore predicting EF measurements with Natural Language Explanation (NLE). We propose a model that in a single forward pass combines estimation of the LV contour over multiple frames, together with a set of modules and routines for computing various motion and shape attributes that are associated with ejection fraction. It then feeds the attributes into a large language model to generate text that helps to explain the network's outcome in a human-like manner. We provide experimental evaluation of our explanatory output, as well as EF prediction, and show that our model can provide EF comparable to state-of-the-art together with meaningful and accurate natural language explanation to the prediction. The project page can be found at https://github.com/guybenyosef/EchoNarrator .
- Abstract（参考訳）: 左心室 (LV) の放出率 (EF) は急性心不全の診断において最も重要な測定基準の一つであり, 心エコーにて測定できる。
近年のディープラーニング研究の成功はEF値の推定に成功しているが、提案されたモデルは予測に関する説明を欠いていることが多い。
しかし、臨床測定予測の明確で直感的な説明を提供することは、これらのモデルにおける心臓医の信頼を高めることになる。
本稿では,自然言語説明(NLE)を用いたEF測定の予測について検討する。
本稿では,複数フレーム上でのLV輪郭推定と,射出率に関連付けられた様々な運動特性と形状特性を計算するためのモジュールとルーチンのセットを組み合わせるモデルを提案する。
そして、属性を大きな言語モデルに入力し、人間のような方法でネットワークの結果を説明するのに役立つテキストを生成する。
提案手法は,提案する説明出力とEF予測を実験的に評価し,その予測に対する有意義かつ正確な自然言語説明とともに,最先端技術に匹敵するEFを提供できることを示す。
プロジェクトページはhttps://github.com/guybenyosef/EchoNarrator にある。
関連論文リスト
- Unleashing the Potential of the Diffusion Model in Few-shot Semantic Segmentation [56.87049651707208]
セマンティックはインコンテクストタスクへと発展し、一般化的セグメンテーションモデルを評価する上で重要な要素となった。
我々の最初の焦点は、クエリイメージとサポートイメージの相互作用を容易にする方法を理解することであり、その結果、自己注意フレームワーク内のKV融合法が提案される。
そこで我々はDiffewSというシンプルで効果的なフレームワークを構築し,従来の潜在拡散モデルの生成フレームワークを最大限に保持する。
論文 参考訳（メタデータ） (2024-10-03T10:33:49Z) - A generative framework to bridge data-driven models and scientific theories in language neuroscience [84.76462599023802]
脳内の言語選択性の簡潔な説明を生成するためのフレームワークである生成的説明媒介バリデーションを提案する。
本研究では,説明精度が基礎となる統計モデルの予測力と安定性と密接に関連していることを示す。
論文 参考訳（メタデータ） (2024-10-01T15:57:48Z) - Contrastive Learning with Counterfactual Explanations for Radiology Report Generation [83.30609465252441]
放射線学レポート生成のためのtextbfCountertextbfFactual textbfExplanations-based framework (CoFE) を提案する。
反現実的な説明は、アルゴリズムによってなされた決定をどのように変えられるかを理解するための強力なツールとして、シナリオが何であるかを問うことによって役立ちます。
2つのベンチマークの実験では、反ファクト的な説明を活用することで、CoFEは意味的に一貫性があり、事実的に完全なレポートを生成することができる。
論文 参考訳（メタデータ） (2024-07-19T17:24:25Z) - Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。
本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。
提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
論文 参考訳（メタデータ） (2024-06-18T16:20:12Z) - Embracing Uncertainty Flexibility: Harnessing a Supervised Tree Kernel
to Empower Ensemble Modelling for 2D Echocardiography-Based Prediction of
Right Ventricular Volume [0.5492530316344587]
右室機能低下は,多くの状況において臨床効果を強く予測する。
本稿では,不確実性スコアによるボリューム予測を補完する手法を提案する。
提案手法は意思決定プロセスの強化とリスク低減に有効である。
論文 参考訳（メタデータ） (2024-03-04T12:36:31Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Cyclical Self-Supervision for Semi-Supervised Ejection Fraction
Prediction from Echocardiogram Videos [32.62593401120131]
左室放出率(LVEF)は心不全の重要な指標である。
ビデオからLVEFを推定するための現在の手法は、高い性能を達成するために大量の注釈付きデータを必要とする。
本稿では,LVEF予測のための最初の半教師付きアプローチを提案する。
論文 参考訳（メタデータ） (2022-10-20T14:23:40Z) - EchoGNN: Explainable Ejection Fraction Estimation with Graph Neural
Networks [26.817931695658583]
エジェクション分画(EF)は心機能の重要な指標であり、心不全などの心機能障害に起因した患者の識別を可能にする。
EFは、左心室を手動で追跡し、その容積を特定のフレームで推定することにより、心エコー(echo)として知られる心エコービデオから推定される。
これらの推定は、手動のプロセスと様々なビデオ品質により、サーバ間のばらつきが高い。
エコービデオからEFを推定するために,グラフニューラルネットワーク(GNN)に基づくモデルであるEchoGNNを導入する。
論文 参考訳（メタデータ） (2022-08-30T05:59:57Z) - Neural operator learning of heterogeneous mechanobiological insults
contributing to aortic aneurysms [0.15658704610960567]
胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の局所的な拡張であり、壁構成、構造、機能から生じる。
本稿では,深層演算子ネットワーク(DeepONet)をベースとしたサロゲートモデルをトレーニングし,TAAの寄与要因を特定するための統合フレームワークを提案する。
提案手法は,患者固有のメカノロジー的侮辱プロファイルを高精度に予測できることを示す。
論文 参考訳（メタデータ） (2022-05-08T04:37:49Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳（メタデータ） (2022-03-11T10:47:16Z)
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。