暗号資産を購入市場現物先物取引OILMEXC Earnイベントセンター
もっと見る
USD1ジェネシス
この結論は、CTPA特徴と臨床データを組み合わせたマルチオミックディープラーニング（DL）モデルが、PE死亡率予測においてPESIスコアよりも優れた性能を示すことを確認するものです。この結論は、CTPA特徴と臨床データを組み合わせたマルチオミックディープラーニング（DL）モデルが、PE死亡率予測においてPESIスコアよりも優れた性能を示すことを確認するものです。

リスク層別化のためのAI：マルチモーダルDLモデルが肺塞栓症の予後向上を提供

出典：Hackernoon
2025/10/04 00:15
8 分で読めます
Sleepless AI
SLEEPLESSAI$0.01935+2.70%
DeepBook
DEEP$0.028092-0.05%
本コンテンツに関するご意見・ご感想は、crypto.news@mexc.comまでご連絡ください。

要約

  1. はじめに
  2. 方法
  3. 結果
  4. 考察
  5. 結論、謝辞、参考文献

5. 結論

CTPAの特徴と臨床変数を組み合わせたマルチオミックDLモデルは、PEにおける死亡率予測において、PESIスコア単独と比較して改善されたパフォーマンスを示しました。マルチモーダルモデルにPESIを追加しても、パフォーマンスの向上はわずかであり、AIベースのモデルが生存予測に十分な能力を持っていることを示しています。マルチモーダルモデルは同様に、30日死亡リスク推定においてもPESI単独よりもパフォーマンスが向上しました。NRI分析を通じて、臨床データと画像データの両方が独立してマルチモーダルモデルのパフォーマンス向上に貢献していることが示されました。これらの発見は、現在の臨床標準であるPESIと比較してマルチモーダルDLモデルの強みを示し、より多くの臨床情報と画像情報を統合するインテリジェントなプロセスに予後を変えています。さらに、私たちのモデルとRV機能不全などの死亡率の臨床指標との一致性も示しました。さらなる分析により、PE患者における様々なリスク要因と死亡率の関連性、およびこの情報が生存予測のためのモデル開発にどのように活用できるかについて、より明確になるでしょう。しかし、私たちのモデルの利点は、より大規模で多様なデータセットでの追加検証、および開発されたモデルの前向き試験によってのみ確認できます。

\ 私たちの研究は、PE患者の予後予測とリスク層別化におけるDLベースモデルの有用性を強調しています。AIは、迅速かつ正確な診断および予後情報を提供することにより、放射線科医や臨床医の臨床ワークフローを改善する可能性があります。PE患者に対してタイムリーかつ正確なリスク層別化を提供することで、AIは臨床意思決定に情報を提供し、患者の転帰を潜在的に改善することで、患者とプロバイダーに大きな利益をもたらす可能性があります。

謝辞

なし。

参考文献

  1. Beckman MG, Hooper WC, Critchley SE, Ortel TL. Venous thromboembolism: a public health concern. American journal of preventive medicine. 2010;38(4):S495-S501.

    \

  2. Lewis AE, Gerstein NS, Venkataramani R, Ramakrishna H. Evolving management trends and outcomes in catheter management of acute pulmonary embolism. Journal of Cardiothoracic and Vascular Anesthesia. 2022;36(8):3344-3356.

    \

  3. Goldhaber SZ, Bounameaux H. Pulmonary embolism and deep vein thrombosis. The Lancet. 2012;379(9828):1835-1846.

    \

  4. Piazza G, Goldhaber SZ. Acute pulmonary embolism: part I: epidemiology and diagnosis. Circulation. 2006;114(2):e28-e32.

    \

  5. Aujesky D, Obrosky DS, Stone RA, et al. Derivation and validation of a prognostic model for pulmonary embolism. American journal of respiratory and critical care medicine. 2005;172(8):1041-1046.

    \

  6. Donzé J, Le Gal G, Fine MJ, et al. Prospective validation of the pulmonary embolism severity index. Thrombosis and haemostasis. 2008;100(05):943-948.

    \

  7. Ishwaran H, Kogalur UB, Blackstone EH, Lauer MS. Random survival forests. 2008;

    \

  8. Fox J, Weisberg S. Cox proportional-hazards regression for survival data. An R and S-PLUS companion to applied regression. 2002;2002

    \

  9. Katzman JL, Shaham U, Cloninger A, Bates J, Jiang T, Kluger Y. DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC medical research methodology. 2018;18(1):1-12.

    \

  10. Oren O, Gersh BJ, Bhatt DL. Artificial intelligence in medical imaging: switching from radiographic pathological data to clinically meaningful endpoints. The Lancet Digital Health. 2020;2(9):e486-e488.

    \

  11. Weikert T, Winkel DJ, Bremerich J, et al. Automated detection of pulmonary embolism in CT pulmonary angiograms using an AI-powered algorithm. European radiology. 2020;30:6545-6553.

    \

  12. Huang S-C, Kothari T, Banerjee I, et al. PENet—a scalable deep-learning model for automated diagnosis of pulmonary embolism using volumetric CT imaging. NPJ digital medicine. 2020;3(1):61.

    \

  13. Huang S-C, Pareek A, Zamanian R, Banerjee I, Lungren MP. Multimodal fusion with deep neural networks for leveraging CT imaging and electronic health record: a case-study in pulmonary embolism detection. Scientific reports. 2020;10(1):22147.

    \

  14. Liu W, Liu M, Guo X, et al. Evaluation of acute pulmonary embolism and clot burden on CTPA with deep learning. European radiology. 2020;30:3567-3575.

    \

  15. Yao J, Zhu X, Zhu F, Huang J. Deep correlational learning for survival prediction from multi-modality data. Springer; 2017:406-414.

    \

  16. Vale-Silva LA, Rohr K. Long-term cancer survival prediction using multimodal deep learning. Scientific Reports. 2021;11(1):13505.

    \

  17. Meyer G, Vicaut E, Danays T, et al. Fibrinolysis for patients with intermediate-risk pulmonary embolism. New England Journal of Medicine. 2014;370(15):1402-1411.

    \

  18. Hofmanninger J, Prayer F, Pan J, Röhrich S, Prosch H, Langs G. Automatic lung segmentation in routine imaging is primarily a data diversity problem, not a methodology problem. European Radiology Experimental. 2020;4(1):1-13.

    \

  19. Harrell Jr FE, Lee KL, Califf RM, Pryor DB, Rosati RA. Regression modelling strategies for improved prognostic prediction. Statistics in medicine. 1984;3(2):143-152.

    \

  20. Leening MJ, Vedder MM, Witteman JC, Pencina MJ, Steyerberg EW. Net reclassification improvement: computation, interpretation, and controversies: a literature review and clinician's guide. Annals of internal medicine. 2014;160(2):122-131.

    \

  21. Kaplan EL, Meier P. Nonparametric estimation from incomplete observations. Journal of the American statistical association. 1958;53(282):457-481.

    \

  22. Grifoni S, Olivotto I, Cecchini P, et al. Short-term clinical outcome of patients with acute pulmonary embolism, normal blood pressure, and echocardiographic right ventricular dysfunction. Circulation. 2000;101(24):2817-2822.

    \

  23. Coutance G, Cauderlier E, Ehtisham J, Hamon M, Hamon M. The prognostic value of markers of right ventricular dysfunction in pulmonary embolism: a meta-analysis. Critical care. 2011;15:1-10.

    \

  24. Chaudhary K, Poirion OB, Lu L, Garmire LX. Deep learning–based multi-omics integration robustly predicts survival in liver cancer. Clinical Cancer Research. 2018;24(6):1248-1259.

    \

  25. Somani SS, Honarvar H, Narula S, et al. Development of a machine learning model using electrocardiogram signals to improve acute pulmonary embolism screening. European Heart Journal-Digital Health. 2022;3(1):56-66.

    \

  26. Tourassi GD, Floyd CE, Sostman HD, Coleman RE. Acute pulmonary embolism: artificial neural network approach for diagnosis. Radiology. 1993;189(2):555-558.

    \

  27. Soffer S, Klang E, Shimon O, et al. Deep learning for pulmonary embolism detection on computed tomography pulmonary angiogram: a systematic review and meta-analysis. Scientific reports. 2021;11(1):15814.

    \

  28. Elias A, Mallett S, Daoud-Elias M, Poggi J-N, Clarke M. Prognostic models in acute pulmonary embolism: a systematic review and meta-analysis. BMJ open. 2016;6(4):e010324.

    \

  29. Cahan N, Klang E, Marom EM, et al. Multimodal fusion models for pulmonary embolism mortality prediction. Scientific Reports. 2023;13(1):1-15.

図

図1. データ分析ワークフロー。この中心的な図は、提案された肺塞栓症（PE）深層生存分析フレームワークを含むデータ分析ワークフローの概要を提供しています。

\ 図2. クラス活性化マップ（CAMs）。クラス活性化マップ（CAMs）は、PE検出モデルの意思決定において最も重要な画像領域を強調表示します。

\ 図3. 深層生存分析モデルのパフォーマンス。異なるテストデータセットにおける深層生存分析モデルの全体的なパフォーマンスの比較。PESI = 肺塞栓症重症度指数。INSTITUTION1ts = 内部テストセット。INSTITUTION2-INSTITUTION3 = 外部テストセット。

\ 図4. カプラン・マイヤー曲線。PESI融合モデルによって高リスクおよび低リスクグループに層別化された患者のINSTITUTION1ts（左）およびINSTITUTION2-INSTITUTION3（右）のカプラン・マイヤー曲線。INSTITUTION1ts = 内部テストセット。INSTITUTION2-INSTITUTION3 = 外部テストセット。

\ 図5. 特徴の重要性。各臨床特徴の予測能力（左）とAIモデルにおける特徴の重要性（右）。INSTITUTION1ts = 内部テストセット。INSTITUTION2-INSTITUTION3 = 外部テストセット。

\ 図6. 外部テストセットの予測リスク分布。図（a）はRV機能不全を持つ16人の患者を示し、そのうち68.8％が高リスクであり、図（b）は高リスク識別と死亡率の間の高い相関を示しています。（a）ダイヤモンドはRV機能不全を持つPE患者を表します。（b）三角形は死亡を表します。

\ 表1. 患者特性。</div></div><div class=

市場の機会
Sleepless AI ロゴ
Sleepless AI価格(SLEEPLESSAI)
$0.01935
$0.01935$0.01935
-0.92%
USD
Sleepless AI (SLEEPLESSAI) ライブ価格チャート
免責事項：このサイトに転載されている記事は、公開プラットフォームから引用されており、情報提供のみを目的としています。MEXCの見解を必ずしも反映するものではありません。すべての権利は原著者に帰属します。コンテンツが第三者の権利を侵害していると思われる場合は、削除を依頼するために crypto.news@mexc.com までご連絡ください。MEXCは、コンテンツの正確性、完全性、適時性について一切保証せず、提供された情報に基づいて行われたいかなる行動についても責任を負いません。本コンテンツは、財務、法律、その他の専門的なアドバイスを構成するものではなく、MEXCによる推奨または支持と見なされるべきではありません。

関連コンテンツ

2026年注目の4つのトップ暗号資産が次の強気相場をリード：BDAG、BNB、PEPE、SOL & ADA

2026年注目の4つのトップ暗号資産が次の強気相場をリード：BDAG、BNB、PEPE、SOL & ADA

2026年4月のデジタルマネー市場は急速に動いており、多くの資産で良い価格で参入する機会が失われつつあります。初心者の方でも
共有
LiveBitcoinNews2026/04/10 09:11
イスラエル、砲撃がイラン停戦を脅かす中、レバノンとの対話を模索

イスラエル、砲撃がイラン停戦を脅かす中、レバノンとの対話を模索

トランプ氏の視線。ドナルド・トランプ米大統領は、ホワイトハウスでマークウェイン・マリン氏の国土セキュリティー長官就任宣誓式に出席し、見守っている
共有
Rappler2026/04/10 08:13
チェーンリンク、クジラの動静活発も7か月連続下落

チェーンリンク、クジラの動静活発も7か月連続下落

チェーンリンク（LINK）でクジラ&#
共有
Beincrypto JP2026/04/02 18:08

トレンドニュース

その他

2026年前半に20超の暗号資産プロジェクト閉鎖

AAVEの価格は100ドルがサポートからレジスタンスに転じると77ドルまで下落するか?

500万ドルの王冠を追って：スパルタンズリーダーボードのハイステークス文化を探る

業界記録を打ち破る：Spartansが世界初の200万ドルコミュニティリーダーボードを発表

ドゥアラ・バルクターミナル、UAE投資支援を確保

24時間365日ライブニュース

その他

Rippleが米国における主要な決済インフラとして位置付けられる。XRPエコシステムへの潜在的な影響について議論されている。

著者：Ripple Bull Winkle | Crypto Researcher 🚀🚨12:00

YEEコミュニティは強い信頼とレジリエンスを示しており、その勢いが推進力となって継続的な開発が進められています。

著者：中国密码鲸公司 WHALE CHINESE 🇨🇳🐳🚀🌖11:01

ETHは2140ドル以上を維持しており、2月6日以降、レンジ相場（もみ合い局面）に入る可能性を示唆している。

著者：Mogfather10:58

AI駆動のトレーディングは、カブコム証券のAPI連携を活用することで、オプションおよび先物市場にプラスの影響を与えています。

著者：DEG10:56

XRP関連のニュースによると、7月18日までに重要な進展が見込まれており、市場のダイナミクスに影響を与える可能性があります。

著者：Ripple Bull Winkle | Crypto Researcher 🚀🚨10:02

サクッと読める記事

その他

BNBの価格予測2026年: 612ドルのBNBは次の上昇前に購入する最後のチャンスですか?

BEEG取引に隠されたマインドトラップ:あなたの暗号ポートフォリオを静かに流出させている7つの認知バイアス

BEEGとミームコインミラージュ:なぜ「シンプルな」トークンが暗号通貨で最も難しい取引なのか

BEEGのダークサイド-誰もあなたに警告しない: BEEGへの投資の5つの隠れたリスク

なぜ大きなお金がミームコインを間違え続けるのか:ほとんどの投資家が見逃す情報の非対称性

暗号資産価格

ビットコイン ロゴ

ビットコイン

BTC

$71,887.90
$71,887.90$71,887.90

-0.34%

イーサリアム ロゴ

イーサリアム

ETH

$2,188.35
$2,188.35$2,188.35

-1.31%

Bittensor ロゴ

Bittensor

TAO

$274.40
$274.40$274.40

-18.49%

ソラナ ロゴ

ソラナ

SOL

$83.02
$83.02$83.02

-0.84%

リップルコイン ロゴ

リップルコイン

XRP

$1.3432
$1.3432$1.3432

-0.67%

$30,000相当のPRL + 15,000 USDT

$30,000相当のPRL + 15,000 USDT$30,000相当のPRL + 15,000 USDT

PRLを入金＆取引して、報酬を最大化！