スマートヘルスケアにおけるマルチモーダル臨床データの生存分析のための強化された時間的エンコーディング・デコーディング

科学分野:

• スマートヘルスケア
• デジタルヘルス
• 医療情報学
• コンピュータビジョン

背景:

• スマートヘルスケアにおける既存の生存分析モデルは、予測精度の点で課題があり、最適とは言えないアンサンブル分類技術に依存することがよくあります。
• ターゲット検出と予測パフォーマンスの限界は、予防的治療のための現在のデジタルヘルス技術の有効性を妨げています。

研究 の 目的:

• スマートヘルスケアシステムにおける生存分析のための新しいマルチモーダルフレームワークを提案すること。
• 顔の特徴と生理学的指標を統合することにより、患者の生存転帰の予測精度を向上させること。

主な方法:

• 正確な顔の特徴検出のために、残基バックボーン（Rstem）を備えた軽量顔領域畳み込みニューラルネットワーク（FRegNet）を開発しました。
• 予測モデリングのために、適応的注意機構とゲート付き重み付けメカニズムを備えた強化された時間的エンコーディング・デコーディング（ETED）モデルを実装しました。
• 生存予測のために、抽出された顔の特徴と臨床生理学的指標を組み合わせたマルチモーダルデータセットを利用しました。

主要な成果:

• FRegNetは、平均平均精度（mAP）0.987で顔の特徴検出において優れた性能を達成し、マスクRCNN-ResNeXtなどの既存手法を上回りました。
• 顔の特徴を組み込んだETEDモデル（ETEncoding-Decoding-Face）は、7日間の生存率に対して高い予測精度（0.916）と曲線下面積（AUC）0.947を示しました。
• マルチモーダルデータの統合は、生理学的指標のみを使用するモデルと比較して、予測精度を大幅に向上させました。

結論:

• 提案されたマルチモーダルフレームワークは、スマートヘルスケアにおける生存分析において重要な進歩を提供します。
• 顔分析と生理学的データを統合することにより、患者の7日間の生存転帰の予測が向上します。
• 平均動脈圧や慢性健康評価などの主要な生理学的指標は生存と正の相関を示し、体温やグラスゴーコーマスケールなどの他の指標は負の相関を示します。