論文の概要: A digital eye-fixation biomarker using a deep anomaly scheme to classify Parkisonian patterns

• arxiv url: http://arxiv.org/abs/2502.17762v1
• Date: Tue, 25 Feb 2025 01:34:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:20:50.185358
• Title: A digital eye-fixation biomarker using a deep anomaly scheme to classify Parkisonian patterns
• Title（参考訳）: ディープ・アノマリー・スキームを用いたデジタルアイ固定バイオマーカーによるパーミニアンパターンの分類
• Authors: Juan Niño, Luis Guayacán, Santiago Gómez, Fabio Martínez,
• Abstract要約: Oculomotor alterationsは、パーキンソン病(PD)の検出と特徴付けのための有望なバイオマーカーである 近年の機械学習とビデオ解析の進歩は、眼球運動パターンの新たな特徴付けを促している。 本研究は、パーキンソン眼球固定パターンを異常検出フレームワークで定量化する新しいビデオ解析手法を提案する。
• 参考スコア（独自算出の注目度）: 0.6249768559720122
• License:
• Abstract: Oculomotor alterations constitute a promising biomarker to detect and characterize Parkinson's disease (PD), even in prodromal stages. Currently, only global and simplified eye movement trajectories are employed to approximate the complex and hidden kinematic relationships of the oculomotor function. Recent advances on machine learning and video analysis have encouraged novel characterizations of eye movement patterns to quantify PD. These schemes enable the identification of spatiotemporal segments primarily associated with PD. However, they rely on discriminative models that require large training datasets and depend on balanced class distributions. This work introduces a novel video analysis scheme to quantify Parkinsonian eye fixation patterns with an anomaly detection framework. Contrary to classical deep discriminative schemes that learn differences among labeled classes, the proposed approach is focused on one-class learning, avoiding the necessity of a significant amount of data. The proposed approach focuses only on Parkinson's representation, considering any other class sample as an anomaly of the distribution. This approach was evaluated for an ocular fixation task, in a total of 13 control subjects and 13 patients on different stages of the disease. The proposed digital biomarker achieved an average sensitivity and specificity of 0.97 and 0.63, respectively, yielding an AUC-ROC of 0.95. A statistical test shows significant differences (p < 0.05) among predicted classes, evidencing a discrimination between patients and control subjects.
• Abstract（参考訳）: 眼球運動の変化は、前頭葉段階においてもパーキンソン病(PD)を検出・特徴づける有望なバイオマーカーである。 現在、眼球運動は、眼球運動関数の複雑で隠れた運動的関係を近似するために、大域的および単純化された眼球運動軌道のみを用いている。 近年の機械学習とビデオ解析の進歩は、PDを定量化するための眼球運動パターンの新たな特徴付けを促している。 これらのスキームは、主にPDに関連付けられた時空間セグメントの同定を可能にする。 しかし、それらは大規模なトレーニングデータセットを必要とし、バランスの取れたクラス分布に依存する差別モデルに依存している。 本研究は、パーキンソン眼球固定パターンを異常検出フレームワークで定量化する新しいビデオ解析手法を提案する。 ラベル付きクラス間の差異を学習する古典的な深層識別方式とは対照的に,提案手法は大量のデータを必要としない一級学習に重点を置いている。 提案手法は、分布の異常として他のクラス標本を考慮し、パーキンソンの表現にのみ焦点をあてる。 本手法は, 眼球固定作業において, コントロール対象13名, 病期別13名について検討した。 提案したデジタルバイオマーカーは、それぞれ0.97と0.63の平均感度と特異性を達成し、AUC-ROCは0.95である。 統計検査では、予測されたクラス間で有意な差(p < 0.05)を示し、患者と対照被験者の識別を導いた。

関連論文リスト

• Spectral Graph Sample Weighting for Interpretable Sub-cohort Analysis in Predictive Models for Neuroimaging [11.60042534415617]
  スペクトル人口グラフの固有基底の線形結合として対象重量をモデル化することを提案する。 そうすることで、学習した重量はグラフ全体でスムーズに変化し、高い予測可能性と低い予測可能性を持つサブコホートが強調される。 既存の試料重み付け方式と比較して, 試料重み付けは解釈性を改善し, 特徴の異なるサブコホートを強調させる。
  論文  参考訳（メタデータ） (2024-10-01T16:48:15Z)
• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• 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)
• Predicting Parkinson's disease evolution using deep learning [1.4610685586329806]
  パーキンソン病は、世界の人口の1%近くで起こる神経疾患である。 パーキンソン病の診断に利用できる血液検査やバイオマーカーは1つもない。 進行の段階を特定するために設計されたAIツールは存在しない。
  論文  参考訳（メタデータ） (2023-12-28T10:30:54Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Parkinson gait modelling from an anomaly deep representation [0.0]
  パーキンソン病(PD)は、ブラジキネジア、硬度、震動、姿勢不安定などの歩行運動障害と関連している。 本研究では、歩行関連パターンを学習するための自己教師付き生成表現を導入する。
  論文  参考訳（メタデータ） (2023-01-26T21:09:45Z)
• XDEEP-MSI: Explainable Bias-Rejecting Microsatellite Instability Deep Learning System In Colorectal Cancer [0.0]
  組織マイクロアレイ(TMA)用にカスタマイズされたDL技術を用いて大腸癌のH&E画像からマイクロサテライト不安定(MSI)を予測するシステムを提案する。 本システムは、組織モジュールによって誘導される関心領域において、複数の倍率でタイルを生産するエンドツーエンド画像前処理モジュールと、多バイアス拒絶モジュールとを具備する。
  論文  参考訳（メタデータ） (2021-10-28T17:58:01Z)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Machine learning discrimination of Parkinson's Disease stages from walker-mounted sensors data [0.0]
  本研究は,パーキンソン病進行の6段階を識別するための機械学習手法を適用した。 データは、運動障害クリニックの実験で、低コストの歩行センサーによって取得されました。
  論文  参考訳（メタデータ） (2020-06-22T09:34:12Z)
• 1-D Convlutional Neural Networks for the Analysis of Pupil Size Variations in Scotopic Conditions [79.71065005161566]
  1次元畳み込みニューラルネットワークモデルは、短距離配列の分類のために訓練されている。 モデルは、ホールドアウトテストセット上で、高い平均精度で予測を提供する。
  論文  参考訳（メタデータ） (2020-02-06T17:25:37Z)

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。