.png){kind=icon}
返回
Separable Tissue Representations for Attributable Risk Prediction
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05185-1_54.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
将模型预测归因于一组变量是医学和科学领域方法的关键部分。然而，在多模态设置中，消除图像特定部分的贡献往往具有挑战性。我们提出了STRAP框架（用于可归因风险预测的可分离组织表示），采用一种新颖的掩码自编码器（MAE），能够学习图像补丁标记的可变数量表示，增强了内存效率和灵活性。我们将此框架应用于骨折风险预测任务，使用临床特征和高分辨率外周定量计算机断层扫描（HR-pQCT）图像，以研究骨与肌肉和脂肪组织的贡献。与以往工作不同，我们能够选择性地在风险预测中包含特定组织，并使用消融和最先进的可解释性方法将其贡献归因于风险。首次，我们证明纳入HR-pQCT的软组织在C指数和总体AUC方面均提高了预测性能。源代码已公开发布在线：https://github.com/waahlstrand/strap。
Keyword:
risk prediction
representation learning
interpretability
attribution
期刊
机构
引用论文
Improved fracture risk prediction by adding VFA-identified vertebral fracture data to BMD by DXA and clinical risk factors used in FRAX通过DXA和FRAX中使用的临床风险因素将VFA识别的椎骨骨折数据添加到BMD中，从而改善骨折风险预测
OAAI
OAAI分享收藏Deep learning with multimodal representation for pancancer prognosis prediction基于多模态表示的深度学习在癌症预后预测中的应用OAAI
OAAI分享收藏Machine learning applied to HR-pQCT images improves fracture discrimination provided by DXA and clinical risk factors.png)
BONEOAAI
BONEIF3.6
OAAI分享收藏Prediction of hip fracture by high-resolution peripheral quantitative computed tomography in older Swedish women通过高分辨率外周定量计算机断层扫描预测老年瑞典女性的髋部骨折OAAI
OAAI分享收藏
查看更多内容