論文の概要: Adversarial Multi-Source Transfer Learning in Healthcare: Application to Glucose Prediction for Diabetic People

• arxiv url: http://arxiv.org/abs/2006.15940v1
• Date: Mon, 29 Jun 2020 11:17:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 14:32:30.576034
• Title: Adversarial Multi-Source Transfer Learning in Healthcare: Application to Glucose Prediction for Diabetic People
• Title（参考訳）: 医療における対人多元移動学習 : 糖尿病患者の血糖予測への応用
• Authors: Maxime De Bois, Moun\^im A. El Yacoubi, and Mehdi Ammi
• Abstract要約: 本稿では,複数のソース間で類似した特徴表現の学習を可能にする多元逆変換学習フレームワークを提案する。 完全畳み込みニューラルネットワークを用いた糖尿病患者の血糖予測にこの考え方を適用した。 特に、異なるデータセットのデータを使用したり、あるいはデータセット内の状況にデータが少ない場合に輝く。
• 参考スコア（独自算出の注目度）: 4.17510581764131
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has yet to revolutionize general practices in healthcare, despite promising results for some specific tasks. This is partly due to data being in insufficient quantities hurting the training of the models. To address this issue, data from multiple health actors or patients could be combined by capitalizing on their heterogeneity through the use of transfer learning. To improve the quality of the transfer between multiple sources of data, we propose a multi-source adversarial transfer learning framework that enables the learning of a feature representation that is similar across the sources, and thus more general and more easily transferable. We apply this idea to glucose forecasting for diabetic people using a fully convolutional neural network. The evaluation is done by exploring various transfer scenarios with three datasets characterized by their high inter and intra variability. While transferring knowledge is beneficial in general, we show that the statistical and clinical accuracies can be further improved by using of the adversarial training methodology, surpassing the current state-of-the-art results. In particular, it shines when using data from different datasets, or when there is too little data in an intra-dataset situation. To understand the behavior of the models, we analyze the learnt feature representations and propose a new metric in this regard. Contrary to a standard transfer, the adversarial transfer does not discriminate the patients and datasets, helping the learning of a more general feature representation. The adversarial training framework improves the learning of a general feature representation in a multi-source environment, enhancing the knowledge transfer to an unseen target. The proposed method can help improve the efficiency of data shared by different health actors in the training of deep models.
• Abstract（参考訳）: 特定のタスクに有望な結果が得られているにも関わらず、ディープラーニングは医療の一般的なプラクティスに革命をもたらしていない。 これは部分的には、モデルのトレーニングを損なう量の不足によるものだ。 この問題に対処するためには、トランスファーラーニングを利用することで、複数の医療アクターや患者からのデータを組み合わせることができる。 本稿では,複数のデータソース間の転送の質を向上させるために,複数のソース間で類似した特徴表現の学習を可能にする多元逆転送学習フレームワークを提案する。 このアイデアを,完全畳み込みニューラルネットワークを用いた糖尿病患者の血糖値予測に適用する。 この評価は,3つのデータセットを用いた様々な移動シナリオの探索によって行われる。 知識の伝達は一般的に有益であるが, 逆行訓練手法を用いることで, 統計的, 臨床的精度をさらに向上させることができることを示す。 特に、異なるデータセットのデータを使用したり、あるいはデータセット内の状況にデータが少ない場合に輝く。 モデルの振る舞いを理解するために,学習特徴表現を分析し,それに関して新しい指標を提案する。 標準的な転送とは対照的に、対向転送は患者やデータセットを識別せず、より一般的な特徴表現の学習に役立つ。 逆行訓練フレームワークは、多ソース環境における一般的な特徴表現の学習を改善し、未知のターゲットへの知識伝達を向上させる。 提案手法は,深層モデルの学習において,異なる医療従事者によって共有されるデータの効率を向上させるのに役立つ。

関連論文リスト

• MVKTrans: Multi-View Knowledge Transfer for Robust Multiomics Classification [14.533025681231294]
  そこで本研究では,生物内および生物間知識を適応的に伝達する多視点知識伝達学習フレームワークを提案する。 具体的には、未ラベルデータに基づいて訓練されたグラフコントラストモジュールを設計し、基礎となるオミクス内パターンを教師付きタスクに効果的に学習し、転送する。 異なる疾患および/またはサンプルにおけるモダリティの識別能力の変化を考慮して, 適応型および双方向のクロスオミクス蒸留モジュールを導入する。
  論文  参考訳（メタデータ） (2024-11-13T15:45:46Z)
• An Experimental Comparison of Transfer Learning against Self-supervised Learning [6.744847405966574]
  本稿では,医療分野における転帰学習と自己指導学習のパフォーマンスと堅牢性を比較した。 我々は、データ不均衡、データの不足、ドメインミスマッチなど、医療領域で共通するいくつかの問題でデータをテストした。 医療分野における転帰学習と自己指導型学習の活用を支援するための推奨事項を提示する。
  論文  参考訳（メタデータ） (2024-07-08T04:14:52Z)
• Transfer learning from a sparsely annotated dataset of 3D medical images [4.477071833136902]
  本研究では,医療画像における臓器分割のための深部畳み込みニューラルネットワークの性能向上のための伝達学習の活用について検討する。 ベースセグメンテーションモデルは、大小の注釈付きデータセットに基づいてトレーニングされ、その重みは4つの新しい下流セグメンテーションタスクのトランスファー学習に使用された。 その結果,小規模なデータセットが利用可能になった場合には,ベースモデルからの移動学習が有用であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-08T21:31:02Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Knowledge-Guided Data-Centric AI in Healthcare: Progress, Shortcomings, and Future Directions [7.673853485227739]
  ディープラーニングは、特定の概念や意味の幅広い例を学ぶことができる。 医学において、特定の疾患に関する多様なトレーニングデータを持つことは、疾患を正確に予測できるモデルの開発につながる可能性がある。 潜在的な利点にもかかわらず、高品質な注釈付きデータが欠如しているため、画像ベースの診断には大きな進歩はなかった。 この記事では、データ表現の質を改善するためにデータ中心のアプローチを使うことの重要性を強調します。
  論文  参考訳（メタデータ） (2022-12-27T19:35:14Z)
• 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)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• 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)
• Unlabeled Data Deployment for Classification of Diabetic Retinopathy Images Using Knowledge Transfer [11.031841470875571]
  転送学習はラベル付きデータの欠如の問題を解決するために用いられる。 知識蒸留は、あるモデルの知識を別のものに移すために最近提案されている。 本稿では,移動学習を用いた新しい知識蒸留法を提案し,モデルの全知識を別の知識に伝達する。
  論文  参考訳（メタデータ） (2020-02-09T09:01:11Z)

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。