論文の概要: Synthetic Observational Health Data with GANs: from slow adoption to a
boom in medical research and ultimately digital twins?
- arxiv url: http://arxiv.org/abs/2005.13510v3
- Date: Thu, 19 Nov 2020 05:27:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 08:39:42.704444
- Title: Synthetic Observational Health Data with GANs: from slow adoption to a
boom in medical research and ultimately digital twins?
- Title(参考訳): GANを用いた合成観察健康データ:医療研究の緩やかな普及から、最終的にはデジタル双生児まで?
- Authors: Jeremy Georges-Filteau, Elisa Cirillo
- Abstract要約: 患者に関するデータとそれを保護するための規制が、非常にプライベートな性質を持っているため、獣の潜在能力は明らかにされていない。
Generative Adversarial Networks (GAN) は、現実的な合成データを生成する生成モデルを学ぶための画期的な方法として最近登場した。
GANは、データ不足、クラス不均衡、まれな疾患、プライバシの保護など、医療における一般的な問題に関連する機能を備えている。
- 参考スコア(独自算出の注目度): 0.16244541005112745
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: After being collected for patient care, Observational Health Data (OHD) can
further benefit patient well-being by sustaining the development of health
informatics and medical research. Vast potential is unexploited because of the
fiercely private nature of patient-related data and regulations to protect it.
Generative Adversarial Networks (GANs) have recently emerged as a
groundbreaking way to learn generative models that produce realistic synthetic
data. They have revolutionized practices in multiple domains such as
self-driving cars, fraud detection, digital twin simulations in industrial
sectors, and medical imaging.
The digital twin concept could readily apply to modelling and quantifying
disease progression. In addition, GANs posses many capabilities relevant to
common problems in healthcare: lack of data, class imbalance, rare diseases,
and preserving privacy. Unlocking open access to privacy-preserving OHD could
be transformative for scientific research. In the midst of COVID-19, the
healthcare system is facing unprecedented challenges, many of which of are data
related for the reasons stated above.
Considering these facts, publications concerning GAN applied to OHD seemed to
be severely lacking. To uncover the reasons for this slow adoption, we broadly
reviewed the published literature on the subject. Our findings show that the
properties of OHD were initially challenging for the existing GAN algorithms
(unlike medical imaging, for which state-of-the-art model were directly
transferable) and the evaluation synthetic data lacked clear metrics.
We find more publications on the subject than expected, starting slowly in
2017, and since then at an increasing rate. The difficulties of OHD remain, and
we discuss issues relating to evaluation, consistency, benchmarking, data
modelling, and reproducibility.
- Abstract(参考訳): 患者医療のために収集された後、健康情報学や医学研究の発展を持続させることで、患者の健康増進に役立つ。
患者に関するデータや、それを保護するための規制が極めてプライベートだからだ。
Generative Adversarial Networks (GAN) は、現実的な合成データを生成する生成モデルを学ぶための画期的な方法として最近登場した。
彼らは、自動運転車、不正検出、産業分野におけるデジタル双子シミュレーション、医療画像など、複数の分野のプラクティスに革命をもたらした。
デジタル双生児の概念は、疾患の進行のモデル化や定量化に容易に応用できる。
さらに、GANは、データ不足、クラス不均衡、まれな疾患、プライバシーの保護など、医療における一般的な問題に関連する多くの機能を備えている。
プライバシーを守るohdへのオープンアクセスは、科学研究に変革をもたらす可能性がある。
新型コロナウイルス(COVID-19)の最中に、医療システムは前例のない課題に直面している。
これらの事実を踏まえると、ganに関する出版物はohdにかなり不足しているように思われる。
この緩やかな採用の理由を明らかにするため,本論文を広くレビューした。
以上の結果から,ohdの特性は,既存のganアルゴリズム(最先端のモデルが直接転送可能であった医療画像とは異なり)に対して当初困難であり,評価合成データには明確な指標が欠落していたことが判明した。
予想以上に多くの出版物が2017年からゆっくりと始まっており、それ以来増加傾向にある。
OHDの難しさは残り、評価、一貫性、ベンチマーク、データモデリング、再現性に関する問題について議論する。
関連論文リスト
- Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。
本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
論文 参考訳(メタデータ) (2024-12-30T01:59:34Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳(メタデータ) (2024-05-21T06:44:40Z) - Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。
2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
論文 参考訳(メタデータ) (2024-04-23T08:01:30Z) - Unconditional Latent Diffusion Models Memorize Patient Imaging Data: Implications for Openly Sharing Synthetic Data [2.04850174048739]
我々は、合成データ生成のためのCT、MR、X線データセット上で潜時拡散モデルを訓練する。
そして,新たな自己教師型コピー検出手法を用いて,記憶したトレーニングデータの量を検出する。
以上の結果から,全データセットにまたがる驚くほど高い患者のデータ記憶が得られた。
論文 参考訳(メタデータ) (2024-02-01T22:58:21Z) - Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey [53.691704671844406]
IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。
ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。
HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。
最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
論文 参考訳(メタデータ) (2024-01-22T03:17:41Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Balancing Privacy and Progress in Artificial Intelligence: Anonymization
in Histopathology for Biomedical Research and Education [1.8078387709049526]
医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。
既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。
本稿では,医療データ共有に関する法的規制と用語について考察する。
論文 参考訳(メタデータ) (2023-07-18T16:53:07Z) - Synthetic Data in Healthcare [10.555189948915492]
本稿では,データ作成のための物理・統計シミュレーションの事例と医療・医療への応用について述べる。
人工物は、プライバシ、エクイティ、安全性、継続的な、因果学習を促進することができるが、欠陥や盲点を導入し、バイアスを伝播または誇張するリスクも負う。
論文 参考訳(メタデータ) (2023-04-06T17:23:39Z) - FakeNews: GAN-based generation of realistic 3D volumetric data -- A
systematic review and taxonomy [2.801317303396674]
GAN(Generative Adversarial Networks)は、現実的な合成データを生成するために使用される。
本稿では,GANを用いたリアルなボリューム合成データを生成する作業の概要について述べる。
論文 参考訳(メタデータ) (2022-07-04T13:14:37Z) - When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning
Framework in Classification of Medical Images on Limited Data: A COVID-19
Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。
CNNは医療画像の解析に広く利用され、検証されている。
論文 参考訳(メタデータ) (2022-03-24T02:09:41Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。