文献

J-GLOBAL ID：202202257958734423   整理番号：22A1029318

機械学習法による眼底モザイク度の予測【JST・京大機械翻訳】

Prediction of the Fundus Tessellation Severity With Machine Learning Methods

著者 (12件)： Shao Lei (Beijing Key Laboratory of Intraocular Tumor Diagnosis and Treatment, Beijing Ophthalmology & Visual Sciences Key Lab, Medical Artificial Intelligence Research and Verification Key Laboratory of the Ministry of Industry and Information Technology, Beijing Tongren Eye Center, Beijing Tongre...) ,  Zhang Xiaomei (School of Statistics, University of International Business and Economics, Beijing, China) ,  Hu Teng (School of Banking and Finance, University of International Business and Economics, Beijing, China) ,  Chen Yang (School of Statistics, University of International Business and Economics, Beijing, China) ,  Zhang Chuan (Beijing Key Laboratory of Intraocular Tumor Diagnosis and Treatment, Beijing Ophthalmology & Visual Sciences Key Lab, Medical Artificial Intelligence Research and Verification Key Laboratory of the Ministry of Industry and Information Technology, Beijing Tongren Eye Center, Beijing Tongre...) ,  Dong Li (Beijing Key Laboratory of Intraocular Tumor Diagnosis and Treatment, Beijing Ophthalmology & Visual Sciences Key Lab, Medical Artificial Intelligence Research and Verification Key Laboratory of the Ministry of Industry and Information Technology, Beijing Tongren Eye Center, Beijing Tongre...) ,  Ling Saiguang (EVision Technology (Beijing) Co. LTD., Beijing, China) ,  Dong Zhou (EVision Technology (Beijing) Co. LTD., Beijing, China) ,  Zhou Wen Da (Beijing Key Laboratory of Intraocular Tumor Diagnosis and Treatment, Beijing Ophthalmology & Visual Sciences Key Lab, Medical Artificial Intelligence Research and Verification Key Laboratory of the Ministry of Industry and Information Technology, Beijing Tongren Eye Center, Beijing Tongre...) ,  Zhang Rui Heng (Beijing Key Laboratory of Intraocular Tumor Diagnosis and Treatment, Beijing Ophthalmology & Visual Sciences Key Lab, Medical Artificial Intelligence Research and Verification Key Laboratory of the Ministry of Industry and Information Technology, Beijing Tongren Eye Center, Beijing Tongre...) ,  Qin Lei (School of Statistics, University of International Business and Economics, Beijing, China) ,  Wei Wen Bin (Beijing Key Laboratory of Intraocular Tumor Diagnosis and Treatment, Beijing Ophthalmology & Visual Sciences Key Lab, Medical Artificial Intelligence Research and Verification Key Laboratory of the Ministry of Industry and Information Technology, Beijing Tongren Eye Center, Beijing Tongre...)
資料名： Frontiers in Medicine (Web)  (Frontiers in Medicine (Web))
巻： 9  ページ： 817114  発行年： 2022年 
JST資料番号： U7079A  ISSN： 2296-858X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 目的:機械学習法による眼底モザイク(FT)重症度を予測する。方法:北京眼研究2011年に基づく,3,468人(平均年齢64.6±9.8歳)の集団ベースの横断的研究。参加者は,眼底画像を含む詳細な眼科検査を受けた。順序ロジスティック回帰,順序プロビット回帰,順序ログガンマ回帰,順序森林およびニューラルネットワークを含む5つの機械学習法を使用した。主な結果尺度:FT精度,想起,F1スコア,加重平均F1スコアおよびAUC値。【結果】サンプル内適合性能から観察して,最適モデルは順序森林であり,それは,FT重症度によって,各分類群で34.75,93.73,70.03,および24.82%の正しい分類率(精度)を有した。AUC値は0.7249であった。そして,F1スコアは65.05%,加重平均F1スコアは全データセットで79.64%であった。サンプル外予測性能のために,最適モデルは,検証データセットに関して77.12%の精度を有する順序ロジスティック回帰であり,一方,FT重症度によって,各分類群における19.57,92.68,64.74,および6.76%であった。AUC値は0.7187であった。軽いFT群の分類精度は最も高く,一方,重度のFT群のそれは最も低かった。そして,F1スコアは54.46%,加重平均F1スコアは全データセットで74.19%であった。結論:順序森林と順序ロジスティック回帰モデルは,それぞれ,強い予測サンプルとアウトサンプル性能を持った。FTと光,中程度,重度のFTに対する順序森林モデルの閾値範囲は,それぞれ[0,0.3078],[0.3078,0.3347],[0.3347,0.4048],[0.4048,1]であった。同様に,順序ロジスティック回帰モデルの閾値範囲は≦3.7389,[3.7389,10.5053],[10.5053,13.9323],>13.9323であった。これらの結果は,臨床眼底疾患スクリーニングとFT重症度評価を導くために適用することができる。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 研究 ,  ニューラルネットワーク ,  年齢 ,  *モザイク性 ,  *眼底 ,  眼科学 ,  人間 ,  スクリーニング ,  *機械学習 ,  重症度診断
準シソーラス用語： ロジスティック回帰分析 ,  加重平均 ,  分類精度 ,  ロジスティック回帰モデル ,  重症度 , 【Automatic Indexing@JST】

著者キーワード (5件)： 眼底モザイク化 ,  眼底モザイク密度 ,  眼底モザイク重症度 ,  機械学習 ,  北京眼研究

分類 (1件)： 眼の診断  (GP02000N)

引用文献 (24件)：

• Shin HC, Roth HR, Gao M, Lu L, Xu Z, Nogues I, et al. Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Trans Med Imaging. (2016) 35:1285-98. doi: 10.1109/TMI.2016.2528162
• Wu J, Yilmaz E, Zhang M, Li H, Tan KC. Deep spiking neural networks for large vocabulary automatic speech recognition. Front Neurosci. (2020) 14:199. doi: 10.3389/fnins.2020.00199
• Juhn Y, Liu H. Artificial intelligence approaches using natural language processing to advance EHR-based clinical research. J Allergy Clin Immunol. (2020) 145:463-9. doi: 10.1016/j.jaci.2019.12.897
• Gargeya R, Leng T. Automated identification of diabetic retinopathy using deep learning. Ophthalmology. (2017) 124:962-9. doi: 10.1016/j.ophtha.2017.02.008
• Roberts PK, Vogl WD, Gerendas BS, Glassman AR, Bogunovic H, Jampol LM, et al. Quantification of fluid resolution and visual acuity gain in patients with diabetic macular edema using deep learning: a post hoc analysis of a randomized clinical trial. JAMA Ophthalmol. (2020) 138:945-53. doi: 10.1001/jamaophthalmol.2020.2457

タイトルに関連する用語 (4件)： 機械学習 ,  眼底 ,  モザイク ,  予測