Fugu-MT 論文翻訳(概要): XSRD-Net: EXplainable Stroke Relapse Detection

論文の概要: XSRD-Net: EXplainable Stroke Relapse Detection

arxiv url: http://arxiv.org/abs/2509.07772v1
Date: Tue, 09 Sep 2025 14:06:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-10 14:38:27.34888
Title: XSRD-Net: EXplainable Stroke Relapse Detection
Title（参考訳）: XSRD-Net: 説明可能なストロークリラプス検出
Authors: Christian Gapp, Elias Tappeiner, Martin Welk, Karl Fritscher, Stephanie Mangesius, Constantin Eisenschink, Philipp Deisl, Michael Knoflach, Astrid E. Grams, Elke R. Gizewski, Rainer Schubert,
Abstract要約: ストロークは世界で2番目に多い死亡原因であり、年間死亡率は約550万人である。初年度の再発率は5～25%である。早期に脳卒中再発リスクのある患者を検知し,適切な治療計画を行うことで,この問題に対処する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Stroke is the second most frequent cause of death world wide with an annual mortality of around 5.5 million. Recurrence rates of stroke are between 5 and 25% in the first year. As mortality rates for relapses are extraordinarily high (40%) it is of utmost importance to reduce the recurrence rates. We address this issue by detecting patients at risk of stroke recurrence at an early stage in order to enable appropriate therapy planning. To this end we collected 3D intracranial CTA image data and recorded concomitant heart diseases, the age and the gender of stroke patients between 2010 and 2024. We trained single- and multimodal deep learning based neural networks for binary relapse detection (Task 1) and for relapse free survival (RFS) time prediction together with a subsequent classification (Task 2). The separation of relapse from non-relapse patients (Task 1) could be solved with tabular data (AUC on test dataset: 0.84). However, for the main task, the regression (Task 2), our multimodal XSRD-net processed the modalities vision:tabular with 0.68:0.32 according to modality contribution measures. The c-index with respect to relapses for the multimodal model reached 0.68, and the AUC is 0.71 for the test dataset. Final, deeper interpretability analysis results could highlight a link between both heart diseases (tabular) and carotid arteries (vision) for the detection of relapses and the prediction of the RFS time. This is a central outcome that we strive to strengthen with ongoing data collection and model retraining.
Abstract（参考訳）: ストロークは世界で2番目に多い死亡原因であり、年間死亡率は約550万人である。初年度の再発率は5～25%である。再発の死亡率は極端に高い(40%)ため、再発率を減らすことが最も重要である。早期に脳卒中再発リスクのある患者を検知し,適切な治療計画を行うことで,この問題に対処する。そこで我々は,2010年から2024年までの脳卒中患者の3次元頭蓋内CTA画像データと心臓疾患,年齢,性別を収集した。単モードと多モードの深層学習に基づくニューラルネットワークを訓練し、バイナリ・リラプス検出(Task 1)と、その後の分類(Task2)とともにRFS時間予測を行った。非再発患者(タスク1)からの再発の分離は、表型データ(AUC on test dataset: 0.84)で解決できる。しかし, 主課題である回帰(タスク2)では, マルチモーダルXSRD-netがモダリティ・コントリビューション・尺度に従って0.68:0.32でモダリティ・ビジョンを処理した。マルチモーダルモデルの再発に関するc-インデックスは0.68に達し、AUCは0.71である。その結果, 心疾患(タブラル)と頸動脈(ビジョン)の関連が明らかとなり, 再発検出とRTS時間の予測が可能となった。これは、進行中のデータ収集とモデル再トレーニングを強化しようとしている中心的な結果です。

関連論文リスト

A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文参考訳（メタデータ） (2025-08-19T14:41:22Z)
Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
論文参考訳（メタデータ） (2025-07-07T13:22:35Z)
Forecasting Disease Progression with Parallel Hyperplanes in Longitudinal Retinal OCT [8.671969912468393]
本稿では,現在スキャンされているリスクスコアから,時間と変換の逆関係と,時間間隔$t$での変換確率を共同で予測する手法を提案する。さらに,オブジェクト内画像ペアによる教師なしの損失を発生させ,リスクスコアが時間とともに増加し,将来的なコンバージョン予測がAMDステージ予測と一致していることを確認する。
論文参考訳（メタデータ） (2024-09-30T11:11:35Z)
Towards Tumour Graph Learning for Survival Prediction in Head & Neck Cancer Patients [0.0]
2020年に世界で100万人近い頭頸部がんが診断された。自動セグメンテーションと予後推定アプローチは、各患者が最も効果的な治療を受けるのに役立つ。本稿では、任意の視野(FoV)PETとCT登録スキャンでこれらの機能を実行するためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-04-17T09:32:06Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
Multimodal PET/CT Tumour Segmentation and Prediction of Progression-Free Survival using a Full-Scale UNet with Attention [0.8138288420049126]
MICCAI 2021 ヘッドとネックタマ (HECKTOR) セグメンテーションと結果予測の課題は、セグメンテーション法を比較するためのプラットフォームを作成する。腫瘍容積セグメンテーションのために複数のニューラルネットワークを訓練し,これらのセグメンテーションを組込み,平均Dice類似度係数0.75をクロスバリデーションで達成した。患者進行自由生存の予測のために,臨床,放射線学,深層学習機能を組み合わせたCox比例的ハザード回帰法を提案する。
論文参考訳（メタデータ） (2021-11-06T10:28:48Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文参考訳（メタデータ） (2020-05-07T12:16:37Z)
Survival Analysis Using a 5-Step Stratified Testing and Amalgamation Routine in Randomized Clinical Trials [0.0]
患者の不均一性の増加は、治療の違いを検出する共通の統計的アプローチの能力を弱める可能性がある。どちらの治療でも生存を予測できない可能性を持つ塩基性共変体のリストは、事前に特定されている。条件推論木アルゴリズムを用いて、異種臨床試験集団を予後同種患者のサブ集団に分割する。提案した5段階の階層化テストとアマルガメーションルーチン(5-STAR)の高消費電力化性能について述べる。
論文参考訳（メタデータ） (2020-04-28T15:44:41Z)

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。