[공지사항]을 빙자한 안부와 근황 
Show more

Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Tinh chỉnh cấp độ vị trí với đông lạnh lớp tiến triển: Hướng tới dự đoán chắc chắn về chứng loạn sản phế quản phổi từ phim chụp X-quang ngực ngày 1 ở trẻ sinh cực non

Created by
  • Haebom

Tác giả

Sybelle Goedicke-Fritz (Khoa Nhi tổng quát và Sơ sinh, Đại học Saarland, Cơ sở Homburg, Homburg/Saar, Đức), Michelle Bous (Khoa Nhi tổng quát và Sơ sinh, Đại học Saarland, Cơ sở Homburg, Homburg/Saar, Đức), Annika Engel (Chủ nhiệm khoa Tin sinh học lâm sàng, Cơ sở Tin sinh học Saarland, Đại học Saarland, Saarbr ucken, Đức), Matthias Flotho (Chủ nhiệm khoa Tin sinh học lâm sàng, Cơ sở Tin sinh học Saarland, Đại học Saarland, Saarbr ucken, Đức, Viện Nghiên cứu Dược phẩm Helmholtz Saarland), Pascal Hirsch (Chủ nhiệm khoa Tin sinh học lâm sàng, Cơ sở Tin sinh học Saarland, Đại học Saarland, Saarbr ucken, Đức), Hannah Wittig (Khoa Nhi tổng quát và Sơ sinh, Đại học Saarland, Cơ sở Homburg, Homburg/Saar, Đức), Dino Milanovic (Chủ nhiệm khoa Tin sinh học lâm sàng, Cơ sở Tin học Saarland, Đại học Saarland, Saarbr ucken, Đức), Dominik Mohr (Khoa Nhi tổng quát và Sơ sinh, Đại học Saarland, Cơ sở Homburg, Homburg/Saar, Đức), Mathias Kaspar (Y học kỹ thuật số, Bệnh viện Đại học Augsburg, Augsburg, Đức), Sogand Nemat (Khoa X quang và X quang can thiệp, Bệnh viện Đại học Saarland, Homburg, Đức), Dorothea Kerner (Khoa X quang và X quang can thiệp, Bệnh viện Đại học Saarland, Homburg, Đức), Arno B ucker (Khoa X quang và X quang can thiệp, Bệnh viện Đại học Saarland, Homburg, Đức), Andreas Keller (Chủ nhiệm khoa Tin sinh học lâm sàng, Cơ sở Tin học Saarland, Đại học Saarland, Saarbrucken , Đức, Viện nghiên cứu dược phẩm Helmholtz Saarland, Trung tâm khoa học dược phẩm), Sascha Meyer (Trung tâm lâm sàng Karlsruhe, Phòng khám nhi khoa Franz-Lust, Karlsruhe, Đức), Michael Zemlin (Khoa nhi khoa và sơ sinh tổng quát, Đại học Saarland, Cơ sở Homburg, Homburg/Saar, Đức), Philipp Flotho (Giám đốc khoa tin sinh học lâm sàng, Cơ sở tin học Saarland, Đại học Saarland, Saarbrücken , Đức, Viện nghiên cứu dược phẩm Helmholtz Saarland)

Phác thảo

Bài báo này trình bày một phương pháp tiếp cận dựa trên học sâu để tiên lượng sớm và dự đoán kết quả của loạn sản phế quản phổi (BPD), một bệnh phổi mãn tính xảy ra ở 35% trẻ sơ sinh cực kỳ nhẹ cân khi sinh. Chúng tôi tinh chỉnh mô hình ResNet-50 được đào tạo trước trên phim chụp X-quang ngực người lớn ___T10825_____ bằng cách sử dụng phim chụp X-quang ngực X từ 163 trẻ sơ sinh cực kỳ nhẹ cân khi sinh (tuổi thai ≤32 tuần, cân nặng 401-999 g) được chụp trong vòng 24 giờ đầu sau sinh. Chúng tôi sử dụng phương pháp đông lạnh lớp tiến triển và tốc độ học phân biệt để ngăn ngừa quá khớp, đồng thời áp dụng phương pháp tăng cường CutMix và thăm dò tuyến tính. Mô hình hiệu suất tốt nhất đạt AUROC là 0,78 ± 0,10, độ chính xác cân bằng là 0,69 ± 0,10 và điểm F1 là 0,67 ± 0,11 trong việc dự đoán kết quả Rối loạn nhân cách ranh giới mức độ trung bình/nặng. Chúng tôi nhận thấy rằng tiền huấn luyện theo miền cụ thể vượt trội hơn khởi tạo ImageNet (p = 0,031). Đánh giá IRDS thông thường có giá trị tiên lượng hạn chế (AUROC là 0,57 ± 0,11), khẳng định sự cần thiết của các dấu hiệu đã học. Phương pháp đóng băng lũy tiến và thăm dò tuyến tính làm cho phương pháp này trở thành một phương pháp hiệu quả về mặt tính toán, phù hợp cho việc triển khai ở cấp độ thực địa và triển khai học liên bang trong tương lai.

Takeaways, Limitations

•
Takeaways:
◦
Phát triển mô hình học sâu có thể dự đoán chính xác kết quả BPD bằng cách sử dụng phim chụp X-quang ngực X chụp trong vòng 24 giờ sau khi sinh.
◦
Xác nhận tầm quan trọng của việc đào tạo trước theo từng lĩnh vực cụ thể.
◦
Triển khai mô hình hiệu quả về mặt tính toán thông qua phương pháp đóng băng phân cấp tiến bộ và thăm dò tuyến tính.
◦
Trình bày khả năng triển khai và thực hiện ở cấp độ thực địa cho việc học tập liên bang.
◦
Dự đoán BPD chính xác hơn so với thang điểm IRDS hiện tại.
•
Limitations:
◦
Sử dụng tập dữ liệu tương đối nhỏ (163 người).
◦
Cần phải xác nhận thêm hiệu suất tổng quát của mô hình.
◦
ĐâY không phải là dự đoán hoàn hảo vì AUROC, độ chính xác cân bằng và điểm F1 đều không đạt tới 1.
◦
Cần nghiên cứu thêm để xác định khả năng khái quát hóa trên các nhóm chủng tộc và dân tộc khác nhau.
👍
Made with Slashpage