論文の概要: A Learnable Multi-views Contrastive Framework with Reconstruction Discrepancy for Medical Time-Series

• arxiv url: http://arxiv.org/abs/2501.18367v1
• Date: Thu, 30 Jan 2025 14:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:12:43.152880
• Title: A Learnable Multi-views Contrastive Framework with Reconstruction Discrepancy for Medical Time-Series
• Title（参考訳）: 医用時間系列における再構成の相違を考慮した学習可能な多視点コントラストフレームワーク
• Authors: Yifan Wang, Hongfeng Ai, Ruiqi Li, Maowei Jiang, Cheng Jiang, Chenzhong Li,
• Abstract要約: 本稿では、関連するタスクから外部データを取り込み、AE-GANを利用して事前知識を抽出することを提案する。 マルチヘッドアテンション機構を統合し,異なる視点から表現を適応的に学習するフレームワークであるLMCFを紹介する。 3つのターゲットデータセットの実験により、我々の手法が他の7つのベースラインを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 8.741139851597364
• License:
• Abstract: In medical time series disease diagnosis, two key challenges are identified.First, the high annotation cost of medical data leads to overfitting in models trained on label-limited, single-center datasets. To address this, we propose incorporating external data from related tasks and leveraging AE-GAN to extract prior knowledge,providing valuable references for downstream tasks. Second, many existing studies employ contrastive learning to derive more generalized medical sequence representations for diagnostic tasks, usually relying on manually designed diverse positive and negative sample pairs.However, these approaches are complex, lack generalizability, and fail to adaptively capture disease-specific features across different conditions.To overcome this, we introduce LMCF (Learnable Multi-views Contrastive Framework), a framework that integrates a multi-head attention mechanism and adaptively learns representations from different views through inter-view and intra-view contrastive learning strategies.Additionally, the pre-trained AE-GAN is used to reconstruct discrepancies in the target data as disease probabilities, which are then integrated into the contrastive learning process.Experiments on three target datasets demonstrate that our method consistently outperforms seven other baselines, highlighting its significant impact on healthcare applications such as the diagnosis of myocardial infarction, Alzheimer's disease, and Parkinson's disease.
• Abstract（参考訳）: 医学時系列疾患の診断では、2つの重要な課題が特定され、第一に、医療データの高アノテーションコストは、ラベル限定の単一中心データセットで訓練されたモデルに過度に適合する。 そこで,本研究では,AE-GANを利用して先行知識を抽出し,下流タスクに有用な参照を提供することを提案する。 第2に,多くの既存研究では,手動で設計された多彩な正と負のサンプルペアに頼って,より一般化された医学的シーケンス表現を導出するために,対照的な学習を行っている。しかしながら,これらのアプローチは複雑であり,汎用性に欠け,さまざまな条件で疾患特有の特徴を適応的に捉えることができない。これを克服するために,マルチヘッドの注意機構を統合し,視野内および視内コントラスト学習戦略を通じて,異なる視点から表現を適応的に学習するフレームワークであるLMCF(Learnable Multi-views Contrastive Framework)を導入する。さらに,事前学習されたAE-GANは,対象データにおける不一致を,疾患の確率として再構成し,コントラストラーニング学習プロセスに統合する。

関連論文リスト

• Enhancing Osteoporosis Detection: An Explainable Multi-Modal Learning Framework with Feature Fusion and Variable Clustering [6.196283036344105]
  骨粗しょう症は、特に高齢者の骨折リスクを高める一般的な病態である。 本研究は,臨床および画像データを統合し,診断精度とモデル解釈性を向上させる新しい多モード学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-01T13:58:15Z)
• ViKL: A Mammography Interpretation Framework via Multimodal Aggregation of Visual-knowledge-linguistic Features [54.37042005469384]
  MVKLは,マルチビュー画像,詳細な表示,報告を含む最初のマルチモーダルマンモグラフィーデータセットである。 このデータセットに基づいて、教師なし事前学習のチャラリングタスクに焦点を当てる。 視覚,知識,言語機能を相乗化するフレームワークであるViKLを提案する。
  論文  参考訳（メタデータ） (2024-09-24T05:01:23Z)
• DS-ViT: Dual-Stream Vision Transformer for Cross-Task Distillation in Alzheimer's Early Diagnosis [20.178933135186618]
  クロスタスクとクロスアーキテクチャの知識共有を容易にするデュアルストリームパイプラインを提案する。 提案手法では,特徴表現をセグメンテーションと分類モデルから統一するデュアルストリーム埋め込みモジュールを提案する。 アルツハイマー病診断のための複数の3次元データセットを用いて本手法の有効性を検証し,分類性能に有意な改善が認められた。
  論文  参考訳（メタデータ） (2024-09-11T19:31:01Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation [0.0]
  NECHOは,階層的正規化を伴う新しい医用コード中心のマルチモーダル・コントラスト学習フレームワークである。 まず, 医用コード, 人口統計, 臨床ノートを含む多面的情報をネットワーク設計を用いて統合する。 また,EHRデータの階層構造を学習するために,医療オントロジーにおける親レベル情報を用いてモダリティ固有のエンコーダを正規化する。
  論文  参考訳（メタデータ） (2024-01-22T01:58:32Z)
• Contrast Everything: A Hierarchical Contrastive Framework for Medical Time-Series [12.469204999759965]
  COMETは、医療時系列のすべての固有のレベルにおいてデータのコンピテンシーを活用する革新的な階層的フレームワークである。 我々の綿密に設計されたモデルは、観察、サンプル、トライアル、患者レベルという4つの潜在的なレベルからデータ一貫性を体系的にキャプチャする。 心筋梗塞の心電図信号とアルツハイマー病とパーキンソン病の脳波信号を含む3つの多様なデータセットを用いて,COMETと6つのベースラインを比較した。
  論文  参考訳（メタデータ） (2023-10-21T13:59:31Z)
• 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)
• Cardiac Complication Risk Profiling for Cancer Survivors via Multi-View Multi-Task Learning [11.13058781411915]
  複雑化リスクプロファイリングは、異種物質間の複雑な相互作用のため、医療領域において重要な課題である。 複数の合併症の発症を予測するマルチビューマルチタスクネットワーク (MuViTaNet) を提案する。
  論文  参考訳（メタデータ） (2021-09-25T05:00:55Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• 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)

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。