Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Avances en la predicción del riesgo de accidente cerebrovascular mediante un modelo de base multimodal

Created by
  • Haebom

Autor

Camille Delgrange, Olga Demler, Samia Mora, Bjoern Menze, Ezequiel de la Rosa, Neda Davoudi

Describir

Este artículo presenta un marco multimodal basado en aprendizaje autosupervisado para integrar diversas modalidades de datos clínicos y mejorar la predicción del riesgo de ictus. Combina imágenes cerebrales 3D, datos clínicos y características derivadas de imágenes para mejorar la predicción del riesgo de ictus. Utiliza un conjunto de datos no etiquetados (UK Biobank) para capturar información complementaria y sinérgica entre las modalidades de datos de imagen y tabulares. Basado en el marco de aprendizaje contrastivo, combina módulos de preentrenamiento contrastivo palabra-imagen y de coincidencia de datos imagen-tabla para alinear las representaciones de datos multimodales en un espacio latente compartido. Los resultados se comparan y evalúan con los métodos unimodales y multimodales de mejor rendimiento existentes en diversas configuraciones de modelo (fijo y entrenable), y el ROC-AUC mejora en un 2,6% (2,6%) y la precisión equilibrada en un 3,3% (5,6%) con respecto al método de datos tabulares (imagen) de aprendizaje autosupervisado, y la precisión equilibrada mejora en un 7,6% con respecto al modelo de aprendizaje supervisado multimodal de mejor rendimiento. Demostramos que una mejor integración de datos tabulares y de imágenes a través de herramientas interpretables proporciona incrustaciones más ricas y alineadas, mientras que los mapas de calor de mapeo de activación de clases ponderados por gradiente revelan la activación de regiones cerebrales asociadas con el envejecimiento cerebral, el riesgo de accidente cerebrovascular y los resultados clínicos.

Takeaways, Limitations

Takeaways:
Mejoramos el rendimiento de la predicción del riesgo de accidente cerebrovascular a través de un marco multimodal basado en el aprendizaje autosupervisado.
Supera a los métodos monomodales y multimodales de mejor rendimiento existentes.
Proporciona información sobre los resultados de predicción del modelo a través de herramientas interpretables.
Proporciona una base poderosa para integrar diversas modalidades de datos.
Limitations:
Este estudio se basa en el conjunto de datos del Biobanco del Reino Unido, y el rendimiento de generalización a otros conjuntos de datos requiere más estudios.
Debido a la naturaleza del aprendizaje autosupervisado, el rendimiento puede verse afectado por la calidad de los datos no etiquetados.
Se necesitan más investigaciones para explorar la interpretabilidad del modelo.
Es posible que falten estimaciones del rendimiento de generalización para poblaciones específicas.
👍