AI-Driven Non-Invasive Detection and Staging of Steatosis in Fatty Liver Disease Using a Novel Cascade Model and Information Fusion Techniques
원문 초록
Non-alcoholic fatty liver disease (NAFLD) is one of the most widespread liver disorders on a global scale, posing a significant threat of progressing to more severe conditions like nonalcoholic steatohepatitis (NASH), liver fibrosis, cirrhosis, and hepatocellular carcinoma. Diagnosing and staging NAFLD presents challenges due to its non-specific symptoms and the invasive nature of liver biopsies. Our research introduces a novel artificial intelligence cascade model employing ensemble learning and feature fusion techniques. We developed a non-invasive, robust, and reliable diagnostic artificial intelligence tool that utilizes anthropometric and laboratory parameters, facilitating early detection and intervention in NAFLD progression. Our novel artificial intelligence achieved an 86% accuracy rate for the NASH steatosis staging task (non-NASH, steatosis grade 1, steatosis grade 2, and steatosis grade 3) and an impressive 96% AUC-ROC for distinguishing between NASH (steatosis grade 1, grade 2, and grade3) and non-NASH cases, outperforming current state-of-the-art models. This notable improvement in diagnostic performance underscores the potential application of artificial intelligence in the early diagnosis and treatment of NAFLD, leading to better patient outcomes and a reduced healthcare burden associated with advanced liver disease.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
2단계 PRO-임상 스태킹을 통한 두경부암 연하장애 위험 층화
Dysphagia Risk Stratification in Head and Neck Cancer via Two-Stage PRO-Clinical Stacking
연하장애는 두경부암(head and neck cancer, HNC) 치료의 심각한 후유증이지만, 생존자 관리(survivorship care)에서 위험 환자를 적시에 식별하는 것은 여전히 어렵다. 확정적 평가는 Dynamic Imaging Grade of Swallowing Toxicity(CTCAE-DIGEST)로 촬영하는 videofluoroscopic imaging에 의존하며, 이는 검증되었지만 전문 장비, 숙련된 인력, 상당한 환자 부담을 필요로 하여 감시(surveillance)에서의 일상적 사용을 제한한다. 반면 환자 보고 결과(patient-reported outcomes, PRO)는 저비용·확장 가능하며 임상 방문 시 쉽게 수집할 수 있어, 추가 평가가 필요할 수 있는 환자를 식별하는 매력적인 대안 신호가 된다. 그러나 PRO 응답을 실행 가능한 중재로 전환하는 명확한 임상 프레임워크는 아직 발전 중이다. 특히 환자의 자가 보고 증상 부담이 언제 치료 강화(escalation of care)를 유발해야 하는지에 대한 불확실성이 남아 있다. 본 연구는 단일 방문 PRO-임상 예측 프레임워크를 수립하고, videofluoroscopic imaging 없이 PRO 응답과 구조화된 임상 변수를 사용하여 삼킴 장애 위험을 예측하는 임상적으로 해석 가능한 2단계 스태킹(stacking) 모델을 도입함으로써 이 공백을 해소한다. 제안된 프레임워크는 통합되고 해석 가능한 위험 평가 모델 내에서 환자 보고 증상과 임상 요인의 독립적 기여를 정량화한다. 우리의 결과는 개별 MDADI 응답이 복합 또는 전역 요약 점수가 포착하는 것을 넘어서는 예측 정보를 포함함을 보여주며, 해석 가능성 분석은 삼킴 장애와 관련된 증상 패턴과 임상 위험 요인을 밝힌다. 종합하면, 이러한 결과는 HNC 생존자 관리에서 연하장애 위험 층화를 위한 실용적이고 영상 없는 접근법으로서 구조화된 PRO-임상 통합의 사용을 뒷받침한다.
상태 추정을 위한 생성형 베이지안 필터링
Generative Bayesian Filtering for State Estimation
동적 시스템의 상태는 시간에 따라 진화하며, 관측 가능한 행동을 지배하는 여러 잠재 모드 사이를 전환한다. 필터링 방법은 관측으로부터 잠재 상태를 추론한다. 칼만 필터(Kalman filter)를 포함한 고전적 필터링 접근법은 일반적으로 선형-가우스(linear-Gaussian) 모델과 같은 단순한 관측 모델에 의존하며, 이는 고차원 센서 신호에서 점점 더 비선형적이고 이질적인(heterogeneous) 패턴을 특성화하는 데 한계가 있다. 이 도전에 대응하기 위해, 우리는 제한적인 관측 모델을 조건부 변분 오토인코더(CVAE)로 매개변수화된 사전학습(pre-trained) 조건부 생성 모델로 대체하는 필터링 프레임워크인 생성형 베이지안 필터링(Generative Bayesian Filtering, GBF)을 제안한다. 온라인 추론(inference)을 위해 GBF는 베이지안 예측-갱신 재귀를 수행하며, 여기서 측정 갱신(measurement update)은 동역학적 사전(dynamical prior)과 CVAE 유도 가능도(likelihood)를 결합하는 사후 샘플링 문제로 공식화된다. 그 결과 필터링 문제는 스코어 기반(score-based) 샘플링 문제로 변환되며, 이는 생성 모델의 유연성과 앙상블(ensembling)의 불확실성 정량화(uncertainty quantification) 능력을 자연스럽게 계승한다. 합성 데이터셋(dataset)과 제조 시스템 모니터링 및 부정맥 진단(arrhythmia diagnosis)을 포함한 실세계 응용에 대한 실험은 GBF가 기준선(baseline) 접근법 대비 상태 추정 정확도와 견고성(robustness)을 향상시킴을 보여준다.
일반 심혈관 자기공명(CMR) 영상 기반 심장 질환 진단을 위한 자동화·신뢰·임상적 유의미성을 갖춘 인공지능(AI) 도구 개발
Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images
목적: 심혈관 자기공명(CMR) 영상은 심근의 구조, 기능, 병리를 비침습적으로 평가할 수 있게 하지만, CMR 영상 해석에는 상당한 경험이 필요하며 이는 인공지능(AI) 기반 모델의 지원을 받을 수 있다. 그러나 CMR 판독 향상을 위한 AI 모델의 활용은 노동 집약적인 데이터 큐레이션, 최적에 미치지 못하는 모델 성능, 불명확한 구현 경로로 인해 제한된다. 방법 및 결과: 우리는 CMR 기반 심혈관 질환(CVD) 진단을 위한 자동화된 데이터 큐레이션 파이프라인을 개발했으며, 서술형 CMR 보고서에서 진단 라벨을 추출하기 위해 오픈소스 로컬 실행 대규모 언어 모델(LLM)을 통합하고, cine 및 late-gadolinium-enhancement(LGE) CMR 시퀀스를 포함한 다중모달 영상 데이터를 전처리했다. 세 가지 비전 파운데이션 모델(DINO, VST, UMedPT)을 2단계 접근법으로 이러한 모달리티 전반에 걸쳐 파인튜닝했다. 데이터셋은 비대성 심근병증(HCM), 확장성 심근병증(DCM), 허혈성 심근병증(ICM), 심장 아밀로이드증(CA), 정상 대조군(NOR)으로 구성되었다. 총 988건의 큐레이션된 사례를 무작위로 742건은 학습, 246건은 검증용으로 분할했다. 파인튜닝된 AI 모델은 1067명의 환자로 구성된 독립 테스트 세트에서 높은 판별 진단 성능을 달성했으며, HCM의 정확한 진단에 대해 최대 AUC-ROC 0.937, 심장 아밀로이드증에 대해 0.945를 기록했다. 여러 모델과 모달리티를 결합하는 앙상블 전략은 AI 기반 진단 정확도와 견고성을 더욱 향상시켜, HCM(AUC=0.959, CI [0.936-0.978]), CA(AUC=0.966, CI [0.939-0.986]), NOR(AUC=0.872, CI [0.852-0.894]), DCM(AUC=0.848, CI [0.808-0.885]), ICM(AUC=0.840, CI [0.809-0.868])에서 최고의 전반적 진단 성능을 달성했다. 모든 학습 및 추론 코드와 학습된 모델 가중치는 https://github.com/sinaamirrajab/CMR_CVD 에서 공개적으로 이용 가능하다.
Ensemble learning for alcoholism classification using EEG signals
Sensitivity Analysis of the Transformation Using a Parameterized CEC 2017 Benchmark
Spatial-IQ: 계층적 능력 테스트를 통한 공간 지능 분해
Spatial-IQ: Deconstructing Spatial Intelligence via Hierarchical Capability Tests
다중모달 대규모 언어 모델(MLLM)은 시각 해석에는 뛰어나지만, 인간이 안정적으로 풀 수 있는 공간 추론 과제에서는 실패한다. 기존 벤치마크는 이러한 모델을 블랙박스로 평가하여 낮은 성능의 근본 원인을 식별하는 능력을 제한한다. 모델이 공간 추론 과제에서 실패할 때, 그 장애가 객체 경계 인식과 같은 지각(perceptual) 문제인지, 가려짐에 대해 추론하여 숨겨진 기하를 추론하는 것과 같은 인지(cognitive) 문제인지 판별하기 어렵다. 우리는 Spatial-IQ를 제안한다. 이는 쌓인 3D 구조에서의 객체 개수 세기를 인간 공간 인지의 발달 단계에 따라 구성된 9개의 지각·인지 하위 과제로 분해하는 계층적 진단 프레임워크이며, 정신 회전(mental rotation)을 추가 목표 프로브로 포함한다. NVIDIA Isaac Sim을 사용하여 과제별 ground truth를 갖춘 약 80,000개의 다양한 쌓인 3D 구조 데이터셋을 절차적으로 생성했다. 자유 응답 텍스트, 객관식 이미지, 이미지 편집의 세 가지 출력 형식과 인간 기준선을 함께 사용하여 모델을 평가한다. Spatial-IQ 프레임워크는 최고 성능 모델이 종종 목표 과제(객체 개수 세기)를 뒷받침하도록 의도된 하위 수준 하위 과제에는 성공하지 못한 채 목표 과제에서 성공하는 경우가 많으며, 모델마다 이러한 계층적 연쇄를 얼마나 유지하는지가 다르다는 것을 보여준다. 이는 목표 과제 정확도만으로는 드러나지 않을 지름길(shortcut) 행동을 종종 드러낸다. 마지막으로, 계층적 하위 과제에 대한 사고의 연쇄(Chain-of-Thought, CoT) 감독과 검증 가능 보상을 이용한 강화학습을 결합하여 모델을 학습하면, 하위 과제 간 공간적 일관성과 목표 과제 정확도가 모두 크게 향상됨을 보여준다. 이는 제안한 분해가 진단 도구이자 학습 신호 모두로서 가치 있음을 뒷받침한다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.