論文の概要: Tri-MTL: A Triple Multitask Learning Approach for Respiratory Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2505.06271v1
• Date: Tue, 06 May 2025 09:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.725697
• Title: Tri-MTL: A Triple Multitask Learning Approach for Respiratory Disease Diagnosis
• Title（参考訳）: Tri-MTL: 呼吸器疾患診断のための3つのマルチタスク学習アプローチ
• Authors: June-Woo Kim, Sanghoon Lee, Miika Toikkanen, Daehwan Hwang, Kyunghoon Kim,
• Abstract要約: マルチタスク学習(MTL)は、病気の症状を伴う呼吸音パターンを同時にモデル化するための魅力的な枠組みを提供する。 本研究は,MTLと最先端の深層学習アーキテクチャの統合が呼吸音の分類と疾患診断の双方をいかに向上させるかを検討する。
• 参考スコア（独自算出の注目度）: 9.191333383621126
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Auscultation remains a cornerstone of clinical practice, essential for both initial evaluation and continuous monitoring. Clinicians listen to the lung sounds and make a diagnosis by combining the patient's medical history and test results. Given this strong association, multitask learning (MTL) can offer a compelling framework to simultaneously model these relationships, integrating respiratory sound patterns with disease manifestations. While MTL has shown considerable promise in medical applications, a significant research gap remains in understanding the complex interplay between respiratory sounds, disease manifestations, and patient metadata attributes. This study investigates how integrating MTL with cutting-edge deep learning architectures can enhance both respiratory sound classification and disease diagnosis. Specifically, we extend recent findings regarding the beneficial impact of metadata on respiratory sound classification by evaluating its effectiveness within an MTL framework. Our comprehensive experiments reveal significant improvements in both lung sound classification and diagnostic performance when the stethoscope information is incorporated into the MTL architecture.
• Abstract（参考訳）: オースカルテーションは、初期評価と継続的なモニタリングの両方に不可欠な臨床実践の基礎のままである。 臨床医は患者の医療履歴と検査結果を組み合わせて肺の音を聞き、診断する。 この強い関連性から、マルチタスク学習(MTL)は、これらの関係を同時にモデル化し、呼吸音パターンと病気の症状を統合するための魅力的な枠組みを提供することができる。 MTLは医学的応用においてかなり有望であるが、呼吸音、病気の徴候、および患者のメタデータ属性の間の複雑な相互作用を理解する上で、大きな研究ギャップが残っている。 本研究では,MTLと最先端の深層学習アーキテクチャを統合することで,呼吸音の分類と疾患診断の双方を向上する方法について検討した。 具体的には, MTLフレームワーク内での有効性を評価することにより, メタデータが呼吸音分類に与える影響に関する最近の知見を拡張した。 MTL アーキテクチャに聴診器情報を組み込んだ場合, 肺の音像分類と診断性能の両面で有意な改善が認められた。

関連論文リスト

• RespLLM: Unifying Audio and Text with Multimodal LLMs for Generalized Respiratory Health Prediction [20.974460332254544]
  RespLLMは、呼吸健康予測のためのテキストと音声の表現を統一する新しいフレームワークである。 我々の研究は、異種データの知覚、聴取、理解が可能なマルチモーダルモデルの基礎を築いた。
  論文  参考訳（メタデータ） (2024-10-07T17:06:11Z)
• CoMT: Chain-of-Medical-Thought Reduces Hallucination in Medical Report Generation [20.59298361626719]
  医療報告生成における幻覚を緩和するためのチェーン・オブ・メディカル・シント・アプローチ(CoMT)を提案する。 CoMTは、診断手順を分解することで、人間の医師の認知過程を模倣しようとしている。
  論文  参考訳（メタデータ） (2024-06-17T12:03:32Z)
• Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
  VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。 VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。 本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-05-29T23:19:28Z)
• Multi-Task Learning for Lung sound & Lung disease classification [0.0]
  肺音と肺疾患の同時分類にマルチタスク学習(MTL)を用いる新しい手法を提案する。 提案モデルでは,2次元CNN,ResNet50,MobileNet,Densenetの4種類の深層学習モデルを用いて,肺の音響記録から関連する特徴を抽出する。 MTL for MobileNetモデルは, 肺の音響解析では74%, 肺疾患分類では91%の精度で, 他のモデルよりも良好な性能を示した。
  論文  参考訳（メタデータ） (2024-04-05T06:15:58Z)
• AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
  我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。 この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。 高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
  論文  参考訳（メタデータ） (2024-02-15T06:46:48Z)
• MEDPSeg: Hierarchical polymorphic multitask learning for the segmentation of ground-glass opacities, consolidation, and pulmonary structures on computed tomography [37.119000111386924]
  MEDPSegは階層型多形マルチタスク学習(HPML)を通して異種胸部CTターゲットから学習する 本稿では,GGOと統合セグメンテーションタスクの最先端性能を実現するPMLについて述べる。 さらに、MEDPSegは肺発作、気道、肺動脈、肺病変の分節を同時に行う。
  論文  参考訳（メタデータ） (2023-12-04T21:46:39Z)
• Respiratory Disease Classification and Biometric Analysis Using Biosignals from Digital Stethoscopes [3.2458203725405976]
  本研究は, 自動呼吸器疾患分類とバイオメトリックス解析にデジタル聴診器技術を活用した新しいアプローチを提案する。 各種呼吸状態の分類に機械学習モデルを訓練する。 本研究は,2値分類の精度(健康と疾患のバランス精度89%)と多値分類の精度(72%)を実現している。
  論文  参考訳（メタデータ） (2023-09-12T23:54:00Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)

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。