[공지사항]을 빙자한 안부와 근황 
Show more

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.

Ajuste fino a nivel de sitio con congelación progresiva de capas: hacia una predicción robusta de la displasia broncopulmonar a partir de radiografías de tórax del primer día en bebés extremadamente prematuros

Created by
  • Haebom

Autor

Sybelle Goedicke-Fritz (Departamento de Pediatría General y Neonatología, Universidad del Sarre, Campus Homburg, Homburg/Saar, Alemania), Michelle Bous (Departamento de Pediatría General y Neonatología, Universidad del Sarre, Campus Homburg, Homburg/Saar, Alemania), Annika Engel (Cátedra de Bioinformática Clínica, Campus de Informática del Sarre, Universidad del Sarre, Saarbrücken , Alemania), Matthias Flotho (Cátedra de Bioinformática Clínica, Campus de Informática del Sarre, Universidad del Sarre, Saarbrücken , Alemania, Instituto Helmholtz de Investigación Farmacéutica del Sarre), Pascal Hirsch (Cátedra de Bioinformática Clínica, Campus de Informática del Sarre, Universidad del Sarre, Saarbrücken , Alemania), Hannah Wittig (Departamento de Pediatría General y Neonatología, Universidad del Sarre, Campus Homburg, Homburg/Saar, Alemania), Dino Milanovic (Cátedra para Bioinformática Clínica, Campus de Informática del Sarre, Universidad del Sarre, Saarbrücken , Alemania), Dominik Mohr (Departamento de Pediatría General y Neonatología, Universidad del Sarre, Campus Homburg, Homburg/Saar, Alemania), Mathias Kaspar (Medicina Digital, Hospital Universitario de Augsburgo, Augsburgo, Alemania), Sogand Nemat (Departamento de Radiología y Radiología Intervencionista, Hospital Universitario del Sarre, Homburg, Alemania), Dorothea Kerner (Departamento de Radiología y Radiología Intervencionista, Hospital Universitario del Sarre, Homburg, Alemania), Arno Bücker (Departamento de Radiología y Radiología Intervencionista, Hospital Universitario del Sarre, Homburg, Alemania), Andreas Keller (Cátedra de Bioinformática Clínica, Campus de Informática del Sarre, Universidad del Sarre, Saarbrücken , Alemania, Instituto Helmholtz de Investigación Farmacéutica del Sarre, Centro de Ciencias Farmacéuticas), Sascha Meyer (Clínica Centro Karlsruhe, Clínica Franz-Lust de Pediatría, Karlsruhe, Alemania), Michael Zemlin (Departamento de Pediatría General y Neonatología, Universidad del Sarre, Campus Homburg, Homburg/Saar, Alemania), Philipp Flotho (Cátedra de Bioinformática Clínica, Campus de Informática del Sarre, Universidad del Sarre, Saarbrücken , Alemania, Instituto Helmholtz de Investigación Farmacéutica del Sarre)

Describir

En este trabajo, presentamos un enfoque basado en aprendizaje profundo para el pronóstico temprano y la predicción de resultados de la displasia broncopulmonar (DBP), una enfermedad pulmonar crónica que se presenta en el 35% de los bebés con peso extremadamente bajo al nacer. Ajustamos un modelo ResNet-50 preentrenado con radiografías de tórax de adultos ___T519_____ utilizando radiografías torácicas X de 163 bebés con peso extremadamente bajo al nacer (edad gestacional ≤32 semanas, peso corporal 401-999 g) tomadas durante las primeras 24 horas posteriores al nacimiento. Utilizamos la congelación progresiva de capas y la tasa de aprendizaje discriminativo para evitar el sobreajuste, y aplicamos la amplificación CutMix y el sondeo lineal. El modelo con mejor rendimiento alcanza un AUROC de 0,78 ± 0,10, una precisión equilibrada de 0,69 ± 0,10 y una puntuación F1 de 0,67 ± 0,11 para predecir resultados de TLP moderados/graves. Observamos que el preentrenamiento específico del dominio superó a la inicialización de ImageNet (p = 0,031). Las calificaciones rutinarias de IRDS tuvieron un valor pronóstico limitado (AUROC de 0,57 ± 0,11), lo que confirma la necesidad de marcadores aprendidos. La congelación progresiva y el sondeo lineal lo convierten en un método computacionalmente eficiente, adecuado para la implementación a nivel de campo y futuras implementaciones de aprendizaje federado.

Takeaways, Limitations

•
Takeaways:
◦
Desarrollo de un modelo de aprendizaje profundo que puede predecir con precisión los resultados de DBP utilizando radiografías de tórax X tomadas dentro de las 24 horas posteriores al nacimiento.
◦
Confirma la importancia del entrenamiento previo específico del dominio.
◦
Implementación de modelo computacionalmente eficiente a través de congelamiento jerárquico progresivo y sondeo lineal.
◦
Presentar posibilidades de implementación y despliegue a nivel de campo para el aprendizaje federado.
◦
Predicción de BPD más precisa que las calificaciones IRDS existentes.
•
Limitations:
◦
Utilizando un conjunto de datos relativamente pequeño (163 personas).
◦
Se necesita una mayor validación del rendimiento de generalización del modelo.
◦
No es una predicción perfecta ya que AUROC, la precisión equilibrada y el puntaje F1 no llegan a 1.
◦
Se necesitan más investigaciones para determinar la generalización entre diferentes grupos raciales y étnicos.
👍
Made with Slashpage