Multi-Modality Multi-Scale Cardiovascular Disease Subtypes Classification Using Raman Image and Medical History

要約

タイトル：ラマンイメージと医療歴を用いた多様性のある多スケール心血管疾患のサブタイプ分類

要約：

– ラマン分光法は心血管疾患の診断などに効率的かつ部位特異的なテスト能力を持っているため、疾患診断に広く使用されている。
– ディープラーニングの一連の人気のある方法が、ラマン分光法からデータを学習し、従来の機械学習法よりも優れた性能を発揮している。
– しかしながら、これらの既存のディープラーニング手法は、CVDのサブタイプを分類する際にはまだいくつかの課題に直面している。
– サブタイプ間のニュアンスは、ラマン分光法のシーケンスの形状が非常に似ているため、インテリジェントモデルによって捉えられ、表現されることが非常に困難である。
– さらに、CVDのサブタイプの区別には医療歴情報が必要であるが、これらは十分に活用されていない。
– このため、私たちはいくつかの課題に対処するための新しいディープラーニング手法であるM3Sを提案している。
– M3Sは、2つのコアモジュールを備えた多様性のある多スケールモデルであり、GAFを使用してRSデータを各解像度の画像に変換して範囲を拡大し、マルチスケール特徴抽出モジュールで区別するための2つのブランチ構造が活用されている。
– また、医療歴データをRSデータと組み合わせることで、分類能力を向上するために確率行列と重み行列が使用される。
– M3Sの詳細な評価を行い、当社データセットでの優れた性能を発揮し、正確性、精度、再現率、特異度、F1スコアがそれぞれ0.9330、0.9379、0.9291、0.9752、0.9334であった。
– これらの結果は、M3SがCVDのサブタイプ診断において人気のある方法と比較して高い性能と堅牢性を持っていることを示している。

要約(オリジナル)

Raman spectroscopy (RS) has been widely used for disease diagnosis, e.g., cardiovascular disease (CVD), owing to its efficiency and component-specific testing capabilities. A series of popular deep learning methods have recently been introduced to learn nuance features from RS for binary classifications and achieved outstanding performance than conventional machine learning methods. However, these existing deep learning methods still confront some challenges in classifying subtypes of CVD. For example, the nuance between subtypes is quite hard to capture and represent by intelligent models due to the chillingly similar shape of RS sequences. Moreover, medical history information is an essential resource for distinguishing subtypes, but they are underutilized. In light of this, we propose a multi-modality multi-scale model called M3S, which is a novel deep learning method with two core modules to address these issues. First, we convert RS data to various resolution images by the Gramian angular field (GAF) to enlarge nuance, and a two-branch structure is leveraged to get embeddings for distinction in the multi-scale feature extraction module. Second, a probability matrix and a weight matrix are used to enhance the classification capacity by combining the RS and medical history data in the multi-modality data fusion module. We perform extensive evaluations of M3S and found its outstanding performance on our in-house dataset, with accuracy, precision, recall, specificity, and F1 score of 0.9330, 0.9379, 0.9291, 0.9752, and 0.9334, respectively. These results demonstrate that the M3S has high performance and robustness compared with popular methods in diagnosing CVD subtypes.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI