論文の概要: Machine learning for cerebral blood vessels' malformations

• arxiv url: http://arxiv.org/abs/2411.16349v1
• Date: Mon, 25 Nov 2024 12:58:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:18:11.022280
• Title: Machine learning for cerebral blood vessels' malformations
• Title（参考訳）: 脳血管奇形に対する機械学習
• Authors: Irem Topal, Alexander Cherevko, Yuri Bugay, Maxim Shishlenin, Jean Barbier, Deniz Eroglu, Édgar Roldán, Roman Belousov,
• Abstract要約: 脳動脈瘤と動静脈奇形は、生命を脅かす脳の血行動態である。 脳血流のパラメータは、リスクアセスメントと治療予後のための機械学習支援プロトコルに利用できる可能性がある。
• 参考スコア（独自算出の注目度）: 38.524104108347764
• License:
• Abstract: Cerebral aneurysms and arteriovenous malformations are life-threatening hemodynamic pathologies of the brain. While surgical intervention is often essential to prevent fatal outcomes, it carries significant risks both during the procedure and in the postoperative period, making the management of these conditions highly challenging. Parameters of cerebral blood flow, routinely monitored during medical interventions, could potentially be utilized in machine learning-assisted protocols for risk assessment and therapeutic prognosis. To this end, we developed a linear oscillatory model of blood velocity and pressure for clinical data acquired from neurosurgical operations. Using the method of Sparse Identification of Nonlinear Dynamics (SINDy), the parameters of our model can be reconstructed online within milliseconds from a short time series of the hemodynamic variables. The identified parameter values enable automated classification of the blood-flow pathologies by means of logistic regression, achieving an accuracy of 73 %. Our results demonstrate the potential of this model for both diagnostic and prognostic applications, providing a robust and interpretable framework for assessing cerebral blood vessel conditions.
• Abstract（参考訳）: 脳動脈瘤と動静脈奇形は、生命を脅かす脳の血行動態である。 外科的介入は致命的な結果の予防に不可欠であることが多いが、手術中と術後の双方で重大なリスクが伴っており、これらの状態の管理は極めて困難である。 医療介入中に定期的に監視される脳血流のパラメータは、リスク評価と治療予後のための機械学習支援プロトコルに利用できる可能性がある。 そこで我々は,脳外科手術から得られた臨床データに対して,血流速度と血圧の線形振動モデルを構築した。 非線形ダイナミクスのスパース同定法 (SINDy) を用いて, 血行動態変数の短い時系列から数ミリ秒以内に, モデルパラメータをオンラインで再構成することができる。 同定されたパラメータ値により,ロジスティック回帰による血流障害の自動分類が可能となり,精度は73 %となった。 以上の結果から,本モデルが診断および予後診断に有用である可能性が示唆され,脳血管の病態を評価するための堅牢かつ解釈可能な枠組みが提供される。

関連論文リスト

• Deep vectorised operators for pulsatile hemodynamics estimation in coronary arteries from a steady-state prior [2.3971720731010766]
  本稿では,拍動血行動態を推定するために,機械学習を利用した時間効率な代理モデルを提案する。 本モデルでは, 震源領域の再サンプリングに依存せず, 脈動速度と圧力の正確な推定値が得られた。
  論文  参考訳（メタデータ） (2024-10-15T12:24:50Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Reconstructing Blood Flow in Data-Poor Regimes: A Vasculature Network Kernel for Gaussian Process Regression [2.9998889086656586]
  非ユークリッド空間である血管ネットワーク内のカーネルを再構築する新しい手法を提案する。 提案したカーネルは、時間的および血管間相関を符号化し、直接測定を欠いた血管における血流の再構築を可能にする。 本研究は, 単純Y字型分岐術, 腹部大動脈, ウィリス円の3症例において, モデルの性能を実証するものである。
  論文  参考訳（メタデータ） (2024-03-14T15:41:15Z)
• Random Forest-Based Prediction of Stroke Outcome [7.090384254446659]
  入院後3ヶ月の死亡率と死亡率の予測に機械学習を用いて予測モデルを生成する。 結論として、機械学習RFアルゴリズムは脳卒中患者の死亡率と死亡率の長期予後予測に有効である。
  論文  参考訳（メタデータ） (2024-02-01T14:54:17Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• 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)
• Machine-Learning Identification of Hemodynamics in Coronary Arteries in the Presence of Stenosis [0.0]
  人工ニューラルネットワーク(ANN)モデルは、動脈ネットワーク内の圧力と速度を予測するために合成データを用いて訓練される。 モデルの有効性を3つの実測値を用いて検証した。
  論文  参考訳（メタデータ） (2021-11-02T23:51:06Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• Physics-informed neural networks for improving cerebral hemodynamics predictions [0.0]
  本研究では,高速計算流体力学シミュレーションを用いて,スパースな臨床測定を増強する物理インフォームド・ディープラーニング・フレームワークを提案する。 本フレームワークでは,脳内数箇所のリアルタイムTD速度測定と,3次元画像から取得した基線血管断面領域を用いた。 4次元MRIで得られた生体内速度測定に対して,本モデルの有効性を検証した。
  論文  参考訳（メタデータ） (2021-08-25T22:19:41Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。