論文の概要: Real-World Multi-Domain Data Applications for Generalizations to Clinical Settings

• arxiv url: http://arxiv.org/abs/2007.12672v1
• Date: Fri, 24 Jul 2020 17:41:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 06:57:56.432565
• Title: Real-World Multi-Domain Data Applications for Generalizations to Clinical Settings
• Title（参考訳）: 臨床現場への一般化のための実世界マルチドメインデータ応用
• Authors: Nooshin Mojab, Vahid Noroozi, Darvin Yi, Manoj Prabhakar Nallabothula, Abdullah Aleem, Phillip S. Yu, Joelle A. Hallak
• Abstract要約: ディープラーニングモデルは、臨床試験のような人工的な設定から標準化されたデータセットでトレーニングされた場合、うまく機能する。 マルチドメイン実世界のデータセットに転送学習を用いた自己教師型アプローチを用いることで、標準化されたデータセットに対して16%の相対的改善が達成できることを示す。
• 参考スコア（独自算出の注目度）: 1.508558791031741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With promising results of machine learning based models in computer vision, applications on medical imaging data have been increasing exponentially. However, generalizations to complex real-world clinical data is a persistent problem. Deep learning models perform well when trained on standardized datasets from artificial settings, such as clinical trials. However, real-world data is different and translations are yielding varying results. The complexity of real-world applications in healthcare could emanate from a mixture of different data distributions across multiple device domains alongside the inevitable noise sourced from varying image resolutions, human errors, and the lack of manual gradings. In addition, healthcare applications not only suffer from the scarcity of labeled data, but also face limited access to unlabeled data due to HIPAA regulations, patient privacy, ambiguity in data ownership, and challenges in collecting data from different sources. These limitations pose additional challenges to applying deep learning algorithms in healthcare and clinical translations. In this paper, we utilize self-supervised representation learning methods, formulated effectively in transfer learning settings, to address limited data availability. Our experiments verify the importance of diverse real-world data for generalization to clinical settings. We show that by employing a self-supervised approach with transfer learning on a multi-domain real-world dataset, we can achieve 16% relative improvement on a standardized dataset over supervised baselines.
• Abstract（参考訳）: コンピュータビジョンにおける機械学習に基づくモデルの有望な成果により、医療画像データへの応用は指数関数的に増加している。 しかし、複雑な実世界臨床データへの一般化は永続的な問題である。 ディープラーニングモデルは、臨床試験のような人工的な設定から標準化されたデータセットでトレーニングされた場合、うまく機能する。 しかし、実際のデータは異なり、翻訳の結果は様々である。 医療における現実世界のアプリケーションの複雑さは、さまざまな画像解像度、ヒューマンエラー、手動の階調の欠如から生じる避けられないノイズとともに、複数のデバイスドメインにまたがるさまざまなデータ分散から生じる可能性がある。 さらに、医療アプリケーションはラベル付きデータの不足に苦しむだけでなく、HIPAA規制、患者のプライバシー、データの所有権の曖昧さ、異なるソースからデータを集める際の課題など、ラベル付きデータへのアクセスが制限されている。 これらの制限は、医療や臨床翻訳にディープラーニングアルゴリズムを適用する上で、さらなる課題をもたらす。 本稿では,転送学習環境において効果的に定式化された自己教師あり表現学習手法を用いて,限られたデータ可用性に対処した。 本実験は, 臨床現場への一般化に向け, 実世界の多様なデータの重要性を検証する。 本研究では,マルチドメイン実世界データセット上で転送学習を伴う自己教師ありアプローチを用いることで,教師付きベースライン上での標準データセットの相対的改善を16%達成できることを示す。

関連論文リスト

• Federated Impression for Learning with Distributed Heterogeneous Data [19.50235109938016]
  フェデレートラーニング(FL)は、データを共有することなく、クライアント間で分散データセットから学習できるパラダイムを提供する。 FLでは、データ収集プロトコルや患者人口の多様さにより、異なる保健所のデータに準最適収束が一般的である。 我々は,グローバル情報を表す合成データをフェデレーションとして復元することで,破滅的な忘れを緩和するFedImpresを提案する。
  論文  参考訳（メタデータ） (2024-09-11T15:37:52Z)
• Universal Medical Imaging Model for Domain Generalization with Data Privacy [2.8727695958743364]
  本稿では,複数の局所モデルからグローバルモデルへ知識を伝達するフェデレート学習手法を提案する。 主な目的は、幅広い医療画像タスクを実行できるグローバルモデルを訓練することである。
  論文  参考訳（メタデータ） (2024-07-20T01:24:15Z)
• Generalization in medical AI: a perspective on developing scalable models [3.003979691986621]
  多くの名高いジャーナルは、ローカルに隠されたテストセットと外部データセットの両方でレポート結果を要求するようになった。 これは、病院文化全体で意図された用途や特異性で発生する変動性によるものである。 医用AIアルゴリズムの一般化レベルを反映した階層型3段階尺度システムを構築した。
  論文  参考訳（メタデータ） (2023-11-09T14:54:28Z)
• GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided Gastrointestinal Disease Detection [6.231109933741383]
  本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。 経験豊富なGI内科医によって注釈され、検証された。 我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
  論文  参考訳（メタデータ） (2023-07-16T19:36:03Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• 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)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• A Real Use Case of Semi-Supervised Learning for Mammogram Classification in a Local Clinic of Costa Rica [0.5541644538483946]
  ディープラーニングモデルのトレーニングには、かなりの量のラベル付きイメージが必要です。 多くの公開データセットが、さまざまな病院や診療所のデータで構築されている。 ラベルなしデータを利用した半教師付き深層学習手法であるMixMatchを提案し評価した。
  論文  参考訳（メタデータ） (2021-07-24T22:26:50Z)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• GS-WGAN: A Gradient-Sanitized Approach for Learning Differentially Private Generators [74.16405337436213]
  我々は、GS-WGAN(Gradient-sanitized Wasserstein Generative Adrial Networks)を提案する。 GS-WGANは、厳格なプライバシー保証を備えた機密データの衛生的な形式での公開を可能にする。 このアプローチは、複数のメトリクスにわたる最先端のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2020-06-15T10:01:01Z)

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。