論文の概要: Deep learning of longitudinal visual fields predicts glaucoma progression rate and identifies fast progressors

• arxiv url: http://arxiv.org/abs/2609.29256v1
• Date: Thu, 24 Sep 2026 08:58:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.802016
• Title: Deep learning of longitudinal visual fields predicts glaucoma progression rate and identifies fast progressors
• Title（参考訳）: 縦視野の深層学習による緑内障進行率の予測と高速進行因子の同定
• Abstract要約: GLAMは5つの臨床特徴を持つ縦断的ハンフリー24-2の偏差配列を取り入れた深層学習フレームワークである。 オープンアクセスされたワシントン大学ハンフリー・ビジュアル・フィールド・データセット(4,276人の患者眼)で、GLAMの平均絶対誤差は0.139dB yr$-1$であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Glaucoma is the leading cause of irreversible blindness, and timely identification of fast progressors is essential to prevent disability. Current practice estimates progression by ordinary least-squares regression of mean deviation (MD) on time, requiring 6--10 visual field (VF) tests over several years to obtain a reliable slope. We present GLAM (Glaucoma Longitudinal Analysis Model), a deep learning framework that ingests longitudinal Humphrey 24-2 total deviation sequences with five clinical features and predicts MD and visual field index progression rates using attention-based fusion and aleatoric uncertainty. On the open-access University of Washington Humphrey Visual Field dataset (4,276 patient-eyes), GLAM achieved an MD-rate mean absolute error of 0.139 dB yr$^{-1}$ ($R^2 = 0.927$; 73.5% reduction over a ridge baseline) and an AUC of 0.990 for fast-progressor detection. VF-only deep learning can match multimodal pipelines for progression prognostication using routinely collected perimetry alone.
• Abstract（参考訳）: 緑内障は可逆性失明の主要な原因であり、早期進行者のタイムリーな同定は障害の予防に不可欠である。 現在のプラクティスでは、平均偏差(MD)の通常の最小二乗回帰による進行を見積もっており、信頼性の高い斜面を得るには、数年にわたって6-10視野(VF)テストが必要である。 GLAM(Glaucoma Longitudinal Analysis Model)は,5つの臨床特徴を持つ縦断的ハンフリー24-2の偏差配列を取り込み,注意ベース融合とアラート不確実性を用いてMDおよび視野指数の進行率を予測する深層学習フレームワークである。 オープンアクセスされたワシントン大学ハンフリー・ビジュアル・フィールド・データセット(4,276人の患者眼)では、GLAMの平均絶対誤差は0.139 dB yr$^{-1}$$$(R^2 = 0.927$; 73.5%)、AUCは0.990である。 VFのみのディープラーニングは、日常的に収集されるペリメトリのみを用いて、進行予測のためのマルチモーダルパイプラインと一致させることができる。

関連論文リスト

• RAP: Research Attention Prediction Reveals Target-Conditioned Evidence Acquisition Biases [58.92094935632493]
  大規模言語モデル(LLM)は研究エージェントとしての役割がますます高まっているが、研究の関心の変化を追跡する能力は評価が難しい。 278のAI/MLフィールドと1,390のエピソードをカバーするローリングベンチマークであるResearch Attention Prediction (RAP)を紹介する。 それぞれのカットオフで、LLMエージェントは時間的に制限されたarXivコーパスを検索し、次の6ヶ月の論文の共有を8つの凍った研究方向にわたって予測する。
  論文  参考訳（メタデータ） (2026-09-09T12:15:14Z)
• Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
  大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。 診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-04-06T00:23:10Z)
• Longitudinal Lesion Inpainting in Brain MRI via 3D Region Aware Diffusion [3.7547060531652057]
  Denoising Diffusion Probabilistic Models (DDPM) に基づく新しい3次元縦塗装フレームワークを提案する。 我々のモデルは、知覚的忠実度の観点から、主要なベースライン(FastSurfer-LIT)を著しく上回ります。 このフレームワークは,LITが要求する24.30分に対して,平均処理時間2.53分を実現し,約10倍の高速化を実現している。
  論文  参考訳（メタデータ） (2026-03-05T21:34:47Z)
• Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
  リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。 従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。 本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
  論文  参考訳（メタデータ） (2026-01-12T15:03:53Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Multi-scale Spatio-temporal Transformer-based Imbalanced Longitudinal Learning for Glaucoma Forecasting from Irregular Time Series Images [45.894671834869975]
  緑内障は、進行性視神経線維損傷と不可逆性失明を引き起こす主要な眼疾患の1つである。 逐次画像入力に適した変換器アーキテクチャに基づくマルチスケール時空間変換器ネットワーク(MST-former)を提案する。 本手法は, 軽度認知障害とアルツハイマー病の予測に90.3%の精度で, アルツハイマー病神経画像イニシアチブ(ADNI)MRIデータセットに優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-02-21T02:16:59Z)
• Detection of diabetic retinopathy using longitudinal self-supervised learning [0.57961065199507]
  糖尿病網膜症診断における自己指導型学習の有用性について検討した。 縦型自己教師型学習法(LSSL)を用いて,縦型網膜色素眼底画像から疾患進行をモデル化した。 その結果、ベースライン(スクラッチから訓練されたモデル)に対して0.875のAUCと、凍結したLSSL重みを持つ単純なResNetのようなアーキテクチャを用いて、初期核融合時にp値2.2e-16を持つ0.96のAUCが達成された。
  論文  参考訳（メタデータ） (2022-09-02T09:50:31Z)
• 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)

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。