論文の概要: Machine learning-based clinical prediction modeling -- A practical guide
for clinicians
- arxiv url: http://arxiv.org/abs/2006.15069v1
- Date: Tue, 23 Jun 2020 20:11:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:43:09.467159
- Title: Machine learning-based clinical prediction modeling -- A practical guide
for clinicians
- Title(参考訳): 機械学習に基づく臨床予測モデル --臨床医のための実践的ガイド
- Authors: Julius M. Kernbach, Victor E. Staartjes
- Abstract要約: 機械学習や人工知能に関連する原稿の数は、ここ数年で指数関数的に増えている。
第1節では、機械学習の一般的な原理について解説する。
さらに,再サンプリング,オーバーフィッティング,モデル一般化性の重要性とモデル評価戦略を概観する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the emerging era of big data, larger available clinical datasets and
computational advances have sparked a massive interest in machine
learning-based approaches. The number of manuscripts related to machine
learning or artificial intelligence has exponentially increased over the past
years. As analytical machine learning tools become readily available for
clinicians to use, the understanding of key concepts and the awareness of
analytical pitfalls are increasingly required for clinicians, investigators,
reviewers and editors, who even as experts in their clinical field, sometimes
find themselves insufficiently equipped to evaluate machine learning
methodologies. In the first section, we provide explanations on the general
principles of machine learning, as well as analytical steps required for
successful machine learning-based predictive modelling - which is the focus of
this series. In further sections, we review the importance of resampling,
overfitting and model generalizability as well as feature reduction and
selection (Part II), strategies for model evaluation, reporting and discussion
of common caveats and other points of significance (Part III), as well as offer
a practical guide to classification (Part IV) and regression modelling (Part
V), with a complete coding pipeline. Methodological rigor and clarity as well
as understanding of the underlying reasoning of the internal workings of a
machine learning approach are required, otherwise predictive applications
despite being strong analytical tools are not well accepted into the clinical
routine. Going forward, machine learning and artificial intelligence shape and
influence modern medicine across disciplines including the field of
neurosurgery.
- Abstract(参考訳): ビッグデータの出現期には、より多くの利用可能な臨床データセットと計算の進歩が、機械学習ベースのアプローチに大きな関心を呼んだ。
機械学習や人工知能に関連する原稿の数は、ここ数年で指数関数的に増えている。
分析的機械学習ツールが臨床医にとって容易に利用できるようになるにつれて、重要な概念の理解と分析的落とし穴の認識が、臨床分野の専門家としても機械学習方法論の評価に不十分な臨床医、研究者、レビュアー、編集者にますます求められている。
第1節では、機械学習の一般的な原則と、このシリーズの焦点である機械学習ベースの予測モデルの成功に必要な分析ステップについて説明する。
さらに, 再サンプリング, オーバーフィット, モデル一般化性, 特徴量の削減と選択(第2部), モデル評価, 共通注意点の報告と議論(第3部)の重要性を概観するとともに, 完全符号化パイプラインによる分類(第4部)と回帰モデリング(第5部)の実践的ガイドを提供する。
方法論的厳密さと明快さ、および機械学習アプローチの内部動作の根底にある理由の理解が必要であり、そうでなければ、強力な分析ツールであるにもかかわらず予測的応用が臨床ルーチンにあまり受け入れられない。
機械学習と人工知能は、神経外科の分野を含む分野にわたって現代医学に影響を及ぼす。
関連論文リスト
- Machine Learning Innovations in CPR: A Comprehensive Survey on Enhanced Resuscitation Techniques [52.71395121577439]
心肺蘇生(CPR)における機械学習(ML)と人工知能(AI)の変革的役割について検討する。
再現結果を改善する上で、予測モデリング、AI強化デバイス、リアルタイムデータ分析の影響を強調している。
本稿は、この新興分野における現在の応用、課題、今後の方向性に関する包括的概要、分類、および批判的分析を提供する。
論文 参考訳(メタデータ) (2024-11-03T18:01:50Z) - Causal Inference Tools for a Better Evaluation of Machine Learning [0.0]
本稿では、通常最小方形回帰(OLS)、可変解析(ANOVA)、ロジスティック回帰(ロジスティック回帰)などの重要な統計手法を紹介する。
この文書は研究者や実践者のガイドとして機能し、これらのテクニックがモデル行動、パフォーマンス、公平性に対する深い洞察を提供する方法について詳述している。
論文 参考訳(メタデータ) (2024-10-02T10:03:29Z) - 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) - Introduction to Machine Learning for Physicians: A Survival Guide for
Data Deluge [9.152759278163954]
現代の研究分野は、大規模な、しばしば構造化されていない、不安定なデータセットの収集と分析にますます依存している。
このデータルージュを活用できる機械学習や人工知能アプリケーションへの関心が高まっている。
この幅広い非技術的概要は、医学的および生物学的応用に特に焦点をあてた、機械学習への穏やかな紹介を提供する。
論文 参考訳(メタデータ) (2022-12-23T13:08:59Z) - AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in
Healthcare with Automated Machine Learning [72.2614468437919]
本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。
我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。
我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
論文 参考訳(メタデータ) (2022-10-21T16:31:46Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳(メタデータ) (2022-07-21T09:35:38Z) - Demystifying Deep Learning Models for Retinal OCT Disease Classification
using Explainable AI [0.6117371161379209]
様々な深層学習技術の採用は、非常に一般的かつ効果的であり、網膜光コヒーレンス・トモグラフィー分野に実装する上でも同様に真実である。
これらの技術はブラックボックスの特徴を持ち、医療従事者がそれらの成果を完全に信頼できないようにする。
本稿では,この研究に説明可能なAIを導入したLimeの使用とともに,比較的小型で簡易な自己開発CNNモデルを提案する。
論文 参考訳(メタデータ) (2021-11-06T13:54:07Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳(メタデータ) (2021-07-20T07:04:52Z) - Key Technology Considerations in Developing and Deploying Machine
Learning Models in Clinical Radiology Practice [0.0]
機械学習研究者は、モデルが正確で、堅牢で、実際に利用できるようにするために、認識し、対処しなければならない重要な考慮事項のリストを提案する。
すなわち、不十分なトレーニングデータ、分散データセット、高コストのアノテーション、曖昧な基底真理、クラス表現の不均衡、非対称な誤分類コスト、関連するパフォーマンス指標、モデルから未確認データセットへの一般化、モデル崩壊、逆行攻撃、説明可能性、公正さとバイアス、臨床検証について論じる。
論文 参考訳(メタデータ) (2021-02-03T09:53:43Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。