論文の概要: Machine Learning Prediction of Cardiovascular Risk in Type 1 Diabetes Mellitus Using Radiomics Features from Multimodal Retinal Images
- arxiv url: http://arxiv.org/abs/2504.02868v1
- Date: Tue, 01 Apr 2025 10:25:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-07 14:48:51.787668
- Title: Machine Learning Prediction of Cardiovascular Risk in Type 1 Diabetes Mellitus Using Radiomics Features from Multimodal Retinal Images
- Title（参考訳）: マルチモーダル網膜画像からの放射能特徴を用いた1型糖尿病患者の心血管障害の機械学習予測
- Authors: Ariadna Tohà-Dalmau, Josep Rosinés-Fonoll, Enrique Romero, Ferran Mazzanti, Ruben Martin-Pinardel, Sonia Marias-Perez, Carolina Bernal-Morales, Rafael Castro-Dominguez, Andrea Mendez, Emilio Ortega, Irene Vinagre, Marga Gimenez, Alfredo Vellido, Javier Zarranz-Ventura,
- Abstract要約: 胸部レチノグラフィ,光コヒーレンス断層撮影,OCT血管造影画像から放射線学的特徴を抽出した。
OCT+ OCTAメトリクスと眼データを組み合わせた放射能は、全身的なデータ入力なしでAUC(0.89$pm$ 0.02)を達成した。
これらの結果から,マルチモーダル網膜画像から得られた放射線学的特徴は,CVリスクラベルの識別・分類に有用であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.050721462368721396
- License:
- Abstract: This study aimed to develop a machine learning (ML) algorithm capable of determining cardiovascular risk in multimodal retinal images from patients with type 1 diabetes mellitus, distinguishing between moderate, high, and very high-risk levels. Radiomic features were extracted from fundus retinography, optical coherence tomography (OCT), and OCT angiography (OCTA) images. ML models were trained using these features either individually or combined with clinical data. A dataset of 597 eyes (359 individuals) was analyzed, and models trained only with radiomic features achieved AUC values of (0.79 $\pm$ 0.03) for identifying moderate risk cases from high and very high-risk cases, and (0.73 $\pm$ 0.07) for distinguishing between high and very high-risk cases. The addition of clinical variables improved all AUC values, reaching (0.99 $\pm$ 0.01) for identifying moderate risk cases and (0.95 $\pm$ 0.02) for differentiating between high and very high-risk cases. For very high CV risk, radiomics combined with OCT+OCTA metrics and ocular data achieved an AUC of (0.89 $\pm$ 0.02) without systemic data input. These results demonstrate that radiomic features obtained from multimodal retinal images are useful for discriminating and classifying CV risk labels, highlighting the potential of this oculomics approach for CV risk assessment.
- Abstract（参考訳）: 本研究の目的は,1型糖尿病患者からのマルチモーダル網膜画像の心血管的リスクを判定し,中等度,高位,高リスクを区別する機械学習(ML)アルゴリズムを開発することである。
底部造影,光コヒーレンス断層撮影,OCTA画像から放射線学的特徴を抽出した。
MLモデルは、これらの特徴を個別または臨床データと組み合わせて訓練した。
597個の目(359個体)のデータセットを解析し、高リスクと高リスクを区別するためのAUC値(0.79$\pm$0.03)、高リスクと高リスクを区別するための(0.73$\pm$0.07)を得た。
臨床変数の追加により全てのAUC値が改善し、中等度リスクの鑑別には0.99$\pm$0.01)、高リスクと高リスクの鑑別には0.95$\pm$0.02)となった。
非常に高いCVリスクのために、OCT+OCTAメトリクスと眼データを組み合わせた放射能は、システム的なデータ入力なしでAUC(0.89$\pm$ 0.02)を達成した。
以上の結果から,マルチモーダル網膜画像から得られた放射線学的特徴は,CVリスクラベルの識別・分類に有用であることが示唆された。
関連論文リスト
- Is an Ultra Large Natural Image-Based Foundation Model Superior to a Retina-Specific Model for Detecting Ocular and Systemic Diseases? [15.146396276161937]
RETFoundおよびDINOv2モデルは眼疾患検出および全身性疾患予知タスクのために評価された。
RETFoundは、心不全、梗塞、虚血性脳梗塞の予測において、すべてのDINOv2モデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2025-02-10T09:31:39Z) - Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている
心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。
本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
論文 参考訳（メタデータ） (2024-08-08T07:24:28Z) - Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
心臓血管疾患(CVD)が世界的に死因となっている。
光コヒーレンストモグラフィー(OCT)は早期のCVDリスク予測の潜在的なツールとして認識されている。
我々は,将来のCVD事象を予測するための追加撮像技術としてのOCTの可能性について検討した。
論文 参考訳（メタデータ） (2024-03-26T14:42:46Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Non-invasive Liver Fibrosis Screening on CT Images using Radiomics [0.0]
本研究の目的は,肝のCTで肝線維症を検出するための放射能機械学習モデルの開発と評価である。
肝線維症スクリーニングモデルの開発には,AUCの最高値と組み合わせ,選択された特徴を併用した。
論文 参考訳（メタデータ） (2022-11-25T22:33:22Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。