論文の概要: Artificial Intelligence in Surgery: Neural Networks and Deep Learning
- arxiv url: http://arxiv.org/abs/2009.13411v1
- Date: Mon, 28 Sep 2020 15:25:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 21:22:57.265357
- Title: Artificial Intelligence in Surgery: Neural Networks and Deep Learning
- Title（参考訳）: 手術における人工知能:ニューラルネットワークとディープラーニング
- Authors: Deepak Alapatt and Pietro Mascagni, Vinkle Srivastav, Nicolas Padoy
- Abstract要約: ディープニューラルネットワークは、自動運転車から、放射線学と病理学におけるコンピュータ支援診断まで、最近の人工知能の成功を支えている。
手術の高度なデータ集約処理は、そのような計算手法の恩恵を大いに受ける可能性がある。
この章と付属するハンズオン素材は、ニューラルネットワークの背後にある直感を理解しようとする外科医のために設計された。
- 参考スコア（独自算出の注目度）: 2.562741561534933
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep neural networks power most recent successes of artificial intelligence,
spanning from self-driving cars to computer aided diagnosis in radiology and
pathology. The high-stake data intensive process of surgery could highly
benefit from such computational methods. However, surgeons and computer
scientists should partner to develop and assess deep learning applications of
value to patients and healthcare systems. This chapter and the accompanying
hands-on material were designed for surgeons willing to understand the
intuitions behind neural networks, become familiar with deep learning concepts
and tasks, grasp what implementing a deep learning model in surgery means, and
finally appreciate the specific challenges and limitations of deep neural
networks in surgery. For the associated hands-on material, please see
https://github.com/CAMMA-public/ai4surgery.
- Abstract（参考訳）: 深層ニューラルネットワークは、自動運転車から、放射線学や病理学におけるコンピュータ支援診断まで、最新の人工知能の成功を支えている。
手術の高度なデータ集約処理は、そのような計算手法の恩恵を受ける可能性がある。
しかし、外科医やコンピュータ科学者は、患者や医療システムに対する価値の深層学習アプリケーションの開発と評価をパートナーとして行うべきである。
この章と付属するハンズオン素材は、ニューラルネットワークの背景にある直感を理解し、深層学習の概念やタスクに精通し、手術でディープラーニングモデルを実装することが何を意味するかを把握し、最終的に手術における深層ニューラルネットワークの具体的な課題と限界を理解するために設計された。
関連資料はhttps://github.com/camma-public/ai4surgeryを参照。
関連論文リスト
- Hebbian Learning based Orthogonal Projection for Continual Learning of
Spiking Neural Networks [74.3099028063756]
我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。
我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。
我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
論文 参考訳（メタデータ） (2024-02-19T09:29:37Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - Neuronal Auditory Machine Intelligence (NEURO-AMI) In Perspective [0.0]
ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ニューラル・ニューラル・ニューラル・インテリジェンス(Neuro-AMI)の概要を述べる。
本稿では,ニューラル・オーディトリー・マシン・インテリジェンス(Neuro-AMI)と競合するバイオインスパイアされた連続学習型ニューラル・ラーニング・ツールについて概説する。
論文 参考訳（メタデータ） (2023-10-14T13:17:58Z) - A Survey on Brain-Inspired Deep Learning via Predictive Coding [85.93245078403875]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。
PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文 参考訳（メタデータ） (2023-08-15T16:37:16Z) - In the realm of hybrid Brain: Human Brain and AI [0.0]
現在の脳-コンピュータインターフェース(BCI)技術は主に治療結果に関するものである。
近年,脳信号のデコードには人工知能(AI)と機械学習(ML)技術が用いられている。
クローズドループ,インテリジェント,低消費電力,小型化されたニューラルインターフェースの開発を想定する。
論文 参考訳（メタデータ） (2022-10-04T08:35:34Z) - Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。
本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。
NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-05-25T12:41:59Z) - Deep Learning and Artificial General Intelligence: Still a Long Way to
Go [0.15229257192293197]
ニューラルネットワークアーキテクチャを用いたディープラーニングは、コンピュータサイエンス研究の最前線にある。
この記事では、現在の状態において、ディープニューラルネットワークが人工知能に到達するための選択技術である準備ができていない5つの主要な理由を批判的に示す。
論文 参考訳（メタデータ） (2022-03-25T23:36:17Z) - Interpretability of Neural Network With Physiological Mechanisms [5.1971653175509145]
ディープラーニングは、レグレッションと分類タスクの様々な領域で異常な精度を達成した強力な最先端技術として、引き続き機能している。
ニューラルネットワークモデルを最初に提案する目的は、数学的表現アプローチを使用して複雑な人間の脳を理解することを改善することである。
近年のディープラーニング技術は、ブラックボックス近似器として扱われることによって、機能的プロセスの解釈を失う傾向にある。
論文 参考訳（メタデータ） (2022-03-24T21:40:04Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳（メタデータ） (2021-05-29T21:02:44Z) - Deep learning approaches for neural decoding: from CNNs to LSTMs and
spikes to fMRI [2.0178765779788495]
神経信号から直接の行動、知覚、認知状態の復号化は、脳-コンピュータインタフェースの研究に応用されている。
過去10年間で、ディープラーニングは多くの機械学習タスクにおいて最先端の手法になっている。
ディープラーニングは、幅広いタスクにわたるニューラルデコーディングの正確性と柔軟性を改善するための有用なツールであることが示されている。
論文 参考訳（メタデータ） (2020-05-19T18:10:35Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳（メタデータ） (2020-05-04T13:24:00Z)
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。