論文の概要: Handling of uncertainty in medical data using machine learning and probability theory techniques: A review of 30 years (1991-2020)

• arxiv url: http://arxiv.org/abs/2008.10114v1
• Date: Sun, 23 Aug 2020 21:54:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 03:03:11.956818
• Title: Handling of uncertainty in medical data using machine learning and probability theory techniques: A review of 30 years (1991-2020)
• Title（参考訳）: 機械学習と確率論手法を用いた医療データの不確実性処理:30年間のレビュー(1991-2020)
• Authors: Roohallah Alizadehsani, Mohamad Roshanzamir, Sadiq Hussain, Abbas Khosravi, Afsaneh Koohestani, Mohammad Hossein Zangooei, Moloud Abdar, Adham Beykikhoshk, Afshin Shoeibi, Assef Zare, Maryam Panahiazar, Saeid Nahavandi, Dipti Srinivasan, Amir F. Atiya, U. Rajendra Acharya
• Abstract要約: 本稿では,過去30年間(1991年から2020年まで)に行われた医療データの不確かさを,確率論と機械学習技術を用いて検討した。 医療データは、データにノイズがあるため、不確実性が高い。 医療データのノイズ源は、この問題に対処するためには、知っておく必要がある。
• 参考スコア（独自算出の注目度）: 16.905105694436603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding data and reaching valid conclusions are of paramount importance in the present era of big data. Machine learning and probability theory methods have widespread application for this purpose in different fields. One critically important yet less explored aspect is how data and model uncertainties are captured and analyzed. Proper quantification of uncertainty provides valuable information for optimal decision making. This paper reviewed related studies conducted in the last 30 years (from 1991 to 2020) in handling uncertainties in medical data using probability theory and machine learning techniques. Medical data is more prone to uncertainty due to the presence of noise in the data. So, it is very important to have clean medical data without any noise to get accurate diagnosis. The sources of noise in the medical data need to be known to address this issue. Based on the medical data obtained by the physician, diagnosis of disease, and treatment plan are prescribed. Hence, the uncertainty is growing in healthcare and there is limited knowledge to address these problems. We have little knowledge about the optimal treatment methods as there are many sources of uncertainty in medical science. Our findings indicate that there are few challenges to be addressed in handling the uncertainty in medical raw data and new models. In this work, we have summarized various methods employed to overcome this problem. Nowadays, application of novel deep learning techniques to deal such uncertainties have significantly increased.
• Abstract（参考訳）: データを理解し、妥当な結論に達することは、ビッグデータの時代において最も重要なことです。 機械学習と確率論の手法は、異なる分野でこの目的に広く応用されている。 データとモデルの不確実性をキャプチャして分析する方法が重要である。 不確実性の適切な定量化は、最適な意思決定に有用な情報を提供する。 本稿では,過去30年間(1991年から2020年まで)に行われた医療データの不確実性について,確率論と機械学習技術を用いて検討した。 医療データは、データにノイズが存在するため、不確実性が高まる。 したがって、正確な診断を得るために、ノイズのないクリーンな医療データを持つことは非常に重要です。 医療データのノイズ源は、この問題に対処するために知っておく必要がある。 医師が取得した医療データに基づいて、疾患の診断及び治療計画が規定される。 したがって、医療における不確実性は増大しており、これらの問題に対処する知識は限られている。 医学に不確実性の源が多数存在するため, 最適な治療方法に関する知識は乏しい。 以上の結果から,医療用生データや新モデルの不確実性に対処する上での課題は少ないことが示唆された。 本研究では,この問題を克服するための様々な手法をまとめた。 近年,このような不確実性に対処する新しい深層学習技術の応用が著しく進んでいる。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Uncertainty of Thoughts: Uncertainty-Aware Planning Enhances Information Seeking in Large Language Models [73.79091519226026]
  Uncertainty of Thoughts (UoT) は、大きな言語モデルを拡張するアルゴリズムであり、効果的な質問をすることで積極的に情報を求めることができる。 医療診断、トラブルシューティング、および20の質問ゲームに関する実験において、UoTは、タスク完了の成功率において平均38.1%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-02-05T18:28:44Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• Novel Pipeline for Diagnosing Acute Lymphoblastic Leukemia Sensitive to Related Biomarkers [0.0]
  急性リンパ芽球性白血病(ALL)は小児の血液型で最も多い。 これらの患者の血液スミア画像を調べることは、専門医がこの病気を診断するために使う方法の1つである。 深層学習に基づく手法は医学分野に多くの応用がある。
  論文  参考訳（メタデータ） (2023-07-08T16:46:16Z)
• Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
  本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。 このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。 患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
  論文  参考訳（メタデータ） (2023-06-29T23:36:04Z)
• Temporal-spatial Correlation Attention Network for Clinical Data Analysis in Intensive Care Unit [27.885961694582896]
  本稿では,臨床特性予測問題に対処するための時間・適応相関注意ネットワーク(TSCAN)を提案する。 本手法は,アテンションメカニズムモデルの設計に基づいて,臨床データおよび無関係ノードにおける無関係項目を効果的に除去することができる。 また,治療方法の改善に有効な重要な結果を示す重要な臨床指標も見出すことができる。
  論文  参考訳（メタデータ） (2023-06-03T00:38:40Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• 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)
• Trust Issues: Uncertainty Estimation Does Not Enable Reliable OOD Detection On Medical Tabular Data [0.0]
  本稿では,同時代の不確実性推定手法を含む一連の試験について述べる。 これまでの研究とは対照的に、現実的で臨床的に関係のあるOODグループの試験を設計し、実世界の医療データで実験を行う。
  論文  参考訳（メタデータ） (2020-11-06T10:41:39Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Estimating Uncertainty and Interpretability in Deep Learning for Coronavirus (COVID-19) Detection [0.0]
  コンピュータベースの診断にどれだけの自信があるかを知ることは、臨床医にこの技術への信頼を得るのに不可欠である。 本稿では,減量重みに基づくベイズ畳み込みニューラルネットワーク(BCNN)を用いて,ディープラーニングソリューションにおける不確実性を推定する方法について検討する。 不確実性を認識したディープラーニングソリューションが利用できることで、臨床環境でのAI(Artificial Intelligence)の広範な採用が可能になると考えています。
  論文  参考訳（メタデータ） (2020-03-22T21:58:13Z)

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。