[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Réglage fin au niveau du site avec congélation progressive des couches : vers une prédiction fiable de la dysplasie bronchopulmonaire à partir des radiographies thoraciques du premier jour chez les nourrissons extrêmement prématurés

Created by
  • Haebom

Auteur

Sybelle Goedicke-Fritz (Département de pédiatrie générale et de néonatologie, Université de la Sarre, Campus Homburg, Homburg/Sarre, Allemagne), Michelle Bous (Département de pédiatrie générale et de néonatologie, Université de la Sarre, Campus Homburg, Homburg/Sarre, Allemagne), Annika Engel (Chaire de bioinformatique clinique, Campus informatique de la Sarre, Université de la Sarre, Sarrebruck , Allemagne), Matthias Flotho (Chaire de bioinformatique clinique, Campus informatique de la Sarre, Université de la Sarre, Sarrebruck, Allemagne, Institut Helmholtz de recherche pharmaceutique de la Sarre), Pascal Hirsch (Chaire de bioinformatique clinique, Campus informatique de la Sarre, Université de la Sarre, Sarrebruck , Allemagne), Hannah Wittig (Département de pédiatrie générale et de néonatologie, Université de la Sarre, Campus Homburg, Homburg/Sarre, Allemagne), Dino Milanovic (Président) de bioinformatique clinique, campus informatique de la Sarre, université de la Sarre, Sarrebruck , Allemagne), Dominik Mohr (département de pédiatrie générale et de néonatologie, université de la Sarre, campus Homburg, Homburg/Sarre, Allemagne), Mathias Kaspar (médecine numérique, hôpital universitaire d'Augsbourg, Augsbourg, Allemagne), Sogand Nemat (département de radiologie et de radiologie interventionnelle, hôpital universitaire de la Sarre, Homburg, Allemagne), Dorothea Kerner (département de radiologie et de radiologie interventionnelle, hôpital universitaire de la Sarre, Homburg, Allemagne), Arno Bucker (département de radiologie et de radiologie interventionnelle, hôpital universitaire de la Sarre, Homburg, Allemagne), Andreas Keller (chaire de bioinformatique clinique, campus informatique de la Sarre, université de la Sarre, Sarrebruck , Allemagne, institut Helmholtz de recherche pharmaceutique de la Sarre, Pharma Science Hub), Sascha Meyer (centre clinique) Karlsruhe, Clinique Franz-Lust de pédiatrie, Karlsruhe, Allemagne), Michael Zemlin (Département de pédiatrie générale et de néonatologie, Université de la Sarre, Campus Homburg, Homburg/Sarre, Allemagne), Philipp Flotho (Chaire de bioinformatique clinique, Campus informatique de la Sarre, Université de la Sarre, Sarrebruck , Allemagne, Institut Helmholtz de recherche pharmaceutique de la Sarre)

Contour

Cet article présente une approche basée sur l'apprentissage profond pour le pronostic précoce et la prédiction de l'issue de la dysplasie bronchopulmonaire (DBP), une maladie pulmonaire chronique qui touche 35 % des nourrissons de très faible poids de naissance. Nous affinons un modèle ResNet-50 pré-entraîné sur des radiographies thoraciques d'adultes (T12582_____) à partir de radiographies thoraciques de 163 nourrissons de très faible poids de naissance (âge gestationnel ≤ 32 semaines, poids corporel 401-999 g) prises dans les 24 heures suivant la naissance. Nous utilisons la congélation progressive des couches et un taux d'apprentissage discriminant pour éviter le surapprentissage, et appliquons l'augmentation CutMix et le sondage linéaire. Le modèle le plus performant atteint un AUROC de 0,78 ± 0,10, une précision équilibrée de 0,69 ± 0,10 et un score F1 de 0,67 ± 0,11 pour prédire les résultats du trouble de la personnalité limite modéré à sévère. Nous avons constaté que la préformation spécifique au domaine était plus performante que l'initialisation d'ImageNet (p = 0,031). Les évaluations IRDS de routine avaient une valeur pronostique limitée (AUROC 0,57 ± 0,11), confirmant la nécessité de marqueurs appris. Le gel progressif et le sondage linéaire en font une méthode informatiquement efficace, adaptée à une mise en œuvre sur le terrain et aux futurs déploiements d'apprentissage fédéré.

Takeaways, Limitations

•
Takeaways:
◦
Développement d'un modèle d'apprentissage profond capable de prédire avec précision les résultats du trouble de la personnalité limite à l'aide de radiographies thoraciques X prises dans les 24 heures suivant la naissance.
◦
Confirme l’importance d’une préformation spécifique au domaine.
◦
Mise en œuvre de modèles efficaces en termes de calcul via un gel hiérarchique progressif et un sondage linéaire.
◦
Présentation des possibilités de mise en œuvre et de déploiement au niveau du terrain pour l’apprentissage fédéré.
◦
Prédiction du trouble de la personnalité limite plus précise que les grades IRDS existants.
•
Limitations:
◦
En utilisant un ensemble de données relativement petit (163 personnes).
◦
Une validation supplémentaire des performances de généralisation du modèle est nécessaire.
◦
Ce n’est pas une prédiction parfaite car l’AUROC, la précision équilibrée et le score F1 n’atteignent pas tous 1.
◦
Des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité à différents groupes raciaux et ethniques.
👍
Made with Slashpage