論文の概要: Serverless on FHIR: Deploying machine learning models for healthcare on the cloud

• arxiv url: http://arxiv.org/abs/2006.04748v1
• Date: Mon, 8 Jun 2020 16:57:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 02:53:11.525933
• Title: Serverless on FHIR: Deploying machine learning models for healthcare on the cloud
• Title（参考訳）: FHIR上のサーバレス: クラウド上のヘルスケアのための機械学習モデルをデプロイする
• Authors: Bell Raj Eapen, Kamran Sartipi and Norm Archer
• Abstract要約: デジタルヘルスのためのクラウドベースのモデルデプロイメントのための機能的分類法と4層アーキテクチャを導入する。 このアーキテクチャをServerless on FHIRと呼び、EMRや可視化ツールといった下流システムで使用可能なデジタルヘルスアプリケーションをデプロイするための標準として提案します。
• 参考スコア（独自算出の注目度）: 3.383942690870476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning (ML) plays a vital role in implementing digital health. The advances in hardware and the democratization of software tools have revolutionized machine learning. However, the deployment of ML models -- the mathematical representation of the task to be performed -- for effective and efficient clinical decision support at the point of care is still a challenge. ML models undergo constant improvement of their accuracy and predictive power with a high turnover rate. Updating models consumed by downstream health information systems is essential for patient safety. We introduce a functional taxonomy and a four-tier architecture for cloud-based model deployment for digital health. The four tiers are containerized microservices for maintainability, serverless architecture for scalability, function as a service for portability and FHIR schema for discoverability. We call this architecture Serverless on FHIR and propose this as a standard to deploy digital health applications that can be consumed by downstream systems such as EMRs and visualization tools.
• Abstract（参考訳）: 機械学習(ML)は、デジタルヘルスの実装において重要な役割を果たす。 ハードウェアの進歩とソフトウェアツールの民主化は機械学習に革命をもたらした。 しかし、効果的かつ効率的な臨床決定支援のためのMLモデル(実行すべきタスクの数学的表現)の配置は依然として課題である。 MLモデルは、高い回転率で精度と予測パワーを常に改善する。 下流医療情報システムで消費される更新モデルは患者の安全に不可欠である。 デジタルヘルスのためのクラウドベースのモデルデプロイメントのための機能的分類法と4層アーキテクチャを導入する。 4つのティアは、保守性のためのコンテナ化されたマイクロサービス、スケーラビリティのためのサーバレスアーキテクチャ、可搬性のためのサービスとしての機能、発見性のためのFHIRスキーマである。 このアーキテクチャをServerless on FHIRと呼び、EMRや可視化ツールといった下流システムで使用可能なデジタルヘルスアプリケーションをデプロイするための標準として提案します。

関連論文リスト

• Enhanced FIWARE-Based Architecture for Cyberphysical Systems With Tiny Machine Learning and Machine Learning Operations: A Case Study on Urban Mobility Systems [0.0]
  モビリティコンピューティングは、リアルタイム要求、分散化、および無線ネットワークを介した接続性のために、特定の障壁を提示する。 エッジコンピューティングと小さな機械学習(tinyML)に関する新しい研究は、これらの問題に対処するために、低パフォーマンスデバイス上でAIモデルの実行を調査している。 本稿では、FIWAREソフトウェアコンポーネントに基づく以前のアーキテクチャを拡張し、機械学習操作フローを実装する。
  論文  参考訳（メタデータ） (2024-11-16T13:14:29Z)
• Hardware-Efficient EMG Decoding for Next-Generation Hand Prostheses [3.0483490999157605]
  現在の商用のロボット義手(RPH)は、基本的なオン/オフコマンドによる限定的な制御を提供する。 機械学習の最近の進歩は、より高い自由度で指の動きを復号できる。 本稿では,次世代携帯型RPHのオンチップ動作復号化を実現するために,新たなアトラクタベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-05-30T13:38:28Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Redefining Digital Health Interfaces with Large Language Models [69.02059202720073]
  大規模言語モデル(LLM)は、複雑な情報を処理できる汎用モデルとして登場した。 LLMが臨床医とデジタル技術との新たなインターフェースを提供する方法を示す。 自動機械学習を用いた新しい予後ツールを開発した。
  論文  参考訳（メタデータ） (2023-10-05T14:18:40Z)
• Predicting Resource Consumption of Kubernetes Container Systems using Resource Models [3.138731415322007]
  本稿では,クラウドシステムの資源モデルを実証的に導き出す方法について考察する。 私たちは、CPUとメモリリソースに明示的に準拠したフォーマルな言語でデプロイされたサービスのモデルに基づいています。 我々は、小規模なデプロイメントから収集したデータを経験的に活用して、より大きなデプロイメント上での高強度シナリオの実行をシミュレートする。
  論文  参考訳（メタデータ） (2023-05-12T17:59:01Z)
• DEPLOYR: A technical framework for deploying custom real-time machine learning models into the electronic medical record [5.660769142308798]
  機械学習モデルのリアルタイム展開とモニタリングを可能にするフレームワークであるDEPLOYRを提案する。 コア機能と設計決定について論じ,EMRソフトウェア内の動作に基づいて推論をトリガーする機構について論じる。 我々は、スタンフォード・ヘルスケアのEpicの生産事例において、クリニカル・ボタンクリックによって引き起こされる12のMLモデルを静かに展開し、前向きに評価することで、DEPLOYRの使用を実証する。
  論文  参考訳（メタデータ） (2023-03-11T01:11:24Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• On-device Training: A First Overview on Existing Systems [6.551096686706628]
  リソース制約のあるデバイスにいくつかのモデルをデプロイする努力も行われている。 この研究は、デバイス上でモデルトレーニングを可能にする最先端のシステム研究を要約し、分析することを目的としている。
  論文  参考訳（メタデータ） (2022-12-01T19:22:29Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。