論文の概要: Unveiling Discrete Clues: Superior Healthcare Predictions for Rare Diseases
- arxiv url: http://arxiv.org/abs/2501.16373v1
- Date: Thu, 23 Jan 2025 03:08:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-29 16:42:02.570585
- Title: Unveiling Discrete Clues: Superior Healthcare Predictions for Rare Diseases
- Title(参考訳): 離散曲線の解き放つ:重症心疾患の医療予測
- Authors: Chuang Zhao, Hui Tang, Jiheng Zhang, Xiaomeng Li,
- Abstract要約: UDCは、一貫性のあるテキスト知識とCOシグナルを橋渡しする、離散的な手がかりを明らかにする新しい方法である。
我々は、合成ドメインと混合ドメインのターゲットを利用して、デコード段階で高度なコントラスト的アプローチを開発する。
このアプローチは、テキスト知識とCO信号の間の双方向の監視を促進する。
- 参考スコア(独自算出の注目度): 15.711501507899072
- License:
- Abstract: Accurate healthcare prediction is essential for improving patient outcomes. Existing work primarily leverages advanced frameworks like attention or graph networks to capture the intricate collaborative (CO) signals in electronic health records. However, prediction for rare diseases remains challenging due to limited co-occurrence and inadequately tailored approaches. To address this issue, this paper proposes UDC, a novel method that unveils discrete clues to bridge consistent textual knowledge and CO signals within a unified semantic space, thereby enriching the representation semantics of rare diseases. Specifically, we focus on addressing two key sub-problems: (1) acquiring distinguishable discrete encodings for precise disease representation and (2) achieving semantic alignment between textual knowledge and the CO signals at the code level. For the first sub-problem, we refine the standard vector quantized process to include condition awareness. Additionally, we develop an advanced contrastive approach in the decoding stage, leveraging synthetic and mixed-domain targets as hard negatives to enrich the perceptibility of the reconstructed representation for downstream tasks. For the second sub-problem, we introduce a novel codebook update strategy using co-teacher distillation. This approach facilitates bidirectional supervision between textual knowledge and CO signals, thereby aligning semantically equivalent information in a shared discrete latent space. Extensive experiments on three datasets demonstrate our superiority.
- Abstract(参考訳): 正確な医療予測は、患者の成果を改善するために不可欠である。
既存の作業は、主に注意やグラフネットワークのような高度なフレームワークを活用して、電子健康記録の複雑な協調(CO)信号をキャプチャする。
しかし, 稀な疾患の予測は, 同時発生が限定的であり, 整合性に乏しいため, 依然として困難である。
そこで本研究では,一貫した意味空間内に一貫したテキスト知識とCO信号をブリッジする離散的な手がかりを提示し,希少疾患の表現意味論を充実させる手法であるUDCを提案する。
具体的には,(1)正確な疾患表現のための識別可能な離散符号化の取得,(2)コードレベルでのテキスト知識とCO信号のセマンティックアライメントを実現することに焦点を当てた。
第1のサブプロブレムでは、条件認識を含む標準ベクトル量子化過程を洗練する。
さらに、デコード段階における高度なコントラスト的アプローチを開発し、合成ドメインと混合ドメインのターゲットをハードな負として活用し、下流タスクに対する再構成表現の認識性を高める。
第2のサブプロブレムでは,コティーチンガー蒸留を用いた新しいコードブック更新戦略を導入する。
このアプローチは、テキスト知識とCO信号間の双方向の監視を促進するため、共有された離散潜在空間において意味的に等価な情報を整合させる。
3つのデータセットに関する大規模な実験は、我々の優位性を示している。
関連論文リスト
- Discrepancy Matters: Learning from Inconsistent Decoder Features for
Consistent Semi-supervised Medical Image Segmentation [16.136085351887814]
本稿では,LeFeDと呼ばれる新しい半教師付き学習手法を提案する。
LeFeDは、デコーダから得られる特徴レベルの不一致を、フィードバック信号としてエンコーダに供給することで学習する。
LeFeDは、不確実性推定や強い制約など、競争相手に勝っている。
論文 参考訳(メタデータ) (2023-09-26T10:33:20Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳(メタデータ) (2023-07-27T08:58:05Z) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳(メタデータ) (2023-07-19T15:19:02Z) - S$^2$ME: Spatial-Spectral Mutual Teaching and Ensemble Learning for
Scribble-supervised Polyp Segmentation [21.208071679259604]
本研究では,空間スペクトルデュアルブランチ相互指導とエントロピー誘導擬似ラベルアンサンブル学習の枠組みを開発する。
我々は、アンサンブル学習の有効性を高めるために、信頼度の高い混合擬似ラベルを作成する。
疑似ラベルに存在する不確実性やノイズの有害な影響を効果的に軽減する。
論文 参考訳(メタデータ) (2023-06-01T08:47:58Z) - HieNet: Bidirectional Hierarchy Framework for Automated ICD Coding [2.9373912230684573]
International Classification of Diseases (ICD) は、医学記録の分類コードである。
本研究では,その課題に対処する新しい双方向階層フレームワーク(HieNet)を提案する。
具体的には、コードのコリレーションをキャプチャするパーソナライズされたPageRankルーチンと、コードの階層的表現をキャプチャする双方向階層パスエンコーダと、予測のセマンティック検索空間を狭めるプログレッシブ予測手法を提案する。
論文 参考訳(メタデータ) (2022-12-09T14:51:12Z) - Toward Robust Diagnosis: A Contour Attention Preserving Adversarial
Defense for COVID-19 Detection [10.953610196636784]
本稿では,肺腔エッジ抽出に基づく Contour Attention Preserving (CAP) 法を提案する。
実験結果から, 本手法は, 複数の対角防御および一般化タスクにおいて, 最先端の性能を実現することが示唆された。
論文 参考訳(メタデータ) (2022-11-30T08:01:23Z) - 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) - Federated Semi-supervised Medical Image Classification via Inter-client
Relation Matching [58.26619456972598]
フェデレートラーニング(FL)は、ディープ・ネットワークのトレーニングのために、分散医療機関とのコラボレーションで人気が高まっている。
本報告では,実践的かつ困難なFL問題であるtextitFederated Semi-supervised Learning (FSSL)について検討する。
本稿では, 従来の整合性正規化機構を改良し, クライアント間関係マッチング方式を提案する。
論文 参考訳(メタデータ) (2021-06-16T07:58:00Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - COIN: Contrastive Identifier Network for Breast Mass Diagnosis in
Mammography [16.603205672169608]
マンモグラフィーにおけるコンピュータ支援乳がん診断は, マンモグラフィーデータの不足とデータ絡み合いから生じる課題である。
本論文では,対比拡大とマニホールドに基づく対比学習を統合した深層学習フレームワークであるContrastive Identifier Network(textscCOIN)を提案する。
COINは、乳がん診断問題を解決するための最新の関連アルゴリズムをかなりのマージンで上回り、93.4%の精度と95.0%のAUCスコアを達成しています。
論文 参考訳(メタデータ) (2020-12-29T10:02:02Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳(メタデータ) (2020-07-05T11:49:17Z)
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。