論文の概要: A Review of Deep Learning Methods for Irregularly Sampled Medical Time
Series Data
- arxiv url: http://arxiv.org/abs/2010.12493v2
- Date: Mon, 26 Oct 2020 04:51:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 22:00:28.157119
- Title: A Review of Deep Learning Methods for Irregularly Sampled Medical Time
Series Data
- Title（参考訳）: 不規則サンプリングされた医療時系列データのための深層学習手法の検討
- Authors: Chenxi Sun, Shenda Hong, Moxian Song and Hongyan Li
- Abstract要約: 不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。
EHRデータの深層学習法は、パーソナライズされた治療、正確な診断、医療管理に重要である。
本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
- 参考スコア（独自算出の注目度）: 7.735948372571363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Irregularly sampled time series (ISTS) data has irregular temporal intervals
between observations and different sampling rates between sequences. ISTS
commonly appears in healthcare, economics, and geoscience. Especially in the
medical environment, the widely used Electronic Health Records (EHRs) have
abundant typical irregularly sampled medical time series (ISMTS) data.
Developing deep learning methods on EHRs data is critical for personalized
treatment, precise diagnosis and medical management. However, it is challenging
to directly use deep learning models for ISMTS data. On the one hand, ISMTS
data has the intra-series and inter-series relations. Both the local and global
structures should be considered. On the other hand, methods should consider the
trade-off between task accuracy and model complexity and remain generality and
interpretability. So far, many existing works have tried to solve the above
problems and have achieved good results. In this paper, we review these deep
learning methods from the perspectives of technology and task. Under the
technology-driven perspective, we summarize them into two categories - missing
data-based methods and raw data-based methods. Under the task-driven
perspective, we also summarize them into two categories - data
imputation-oriented and downstream task-oriented. For each of them, we point
out their advantages and disadvantages. Moreover, we implement some
representative methods and compare them on four medical datasets with two
tasks. Finally, we discuss the challenges and opportunities in this area.
- Abstract（参考訳）: 不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。
ISTSは一般的に医療、経済学、地球科学に現れる。
特に医療環境では、広く使われている電子健康記録(EHR)は、典型的に不規則にサンプリングされた医療時系列データ(ISMTS)が豊富である。
EHRデータを用いたディープラーニング手法の開発は、パーソナライズされた治療、正確な診断、医療管理に不可欠である。
しかし、ISMTSデータに直接ディープラーニングモデルを使用することは困難である。
一方、ISMTSデータはシリーズ内およびシリーズ間関係を持つ。
地域構造もグローバル構造も考慮すべきである。
一方,タスク精度とモデル複雑性のトレードオフを考慮し,汎用性と解釈可能性を維持する必要がある。
これまでのところ、多くの既存の作品が上記の問題を解決しようと試みており、良好な成果を上げている。
本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
技術主導の観点では、データベースメソッドの欠如と生データベースメソッドの2つのカテゴリにまとめる。
タスク駆動の観点からは、データインプテーション指向とダウンストリームタスク指向の2つのカテゴリにまとめます。
それぞれが彼らの長所と短所を指摘します。
さらに、いくつかの代表的な方法を実装し、4つの医療データセットで2つのタスクと比較する。
最後に,この分野の課題と機会について論じる。
関連論文リスト
- An Efficient Contrastive Unimodal Pretraining Method for EHR Time Series Data [35.943089444017666]
本稿では,長期臨床経過データに適した比較事前学習法を提案する。
本モデルでは, 臨床医が患者の症状についてより深い知見を得られるように, 欠損測定をインプットする能力を示す。
論文 参考訳（メタデータ） (2024-10-11T19:05:25Z) - Towards Precision Healthcare: Robust Fusion of Time Series and Image Data [8.579651833717763]
本稿では,データの種類毎に2つのエンコーダを用いて,視覚情報と時間情報の両方において複雑なパターンをモデル化する手法を提案する。
また、不均衡なデータセットに対処し、不確実性損失関数を使用し、改善した結果を得る。
本手法は,臨床応用におけるマルチモーダルディープラーニングの改善に有効であることを示す。
論文 参考訳（メタデータ） (2024-05-24T11:18:13Z) - Deep Learning for Multivariate Time Series Imputation: A Survey [34.31414745076129]
欠落した値は時系列データでユビキタスであり、正確な分析とダウンストリームアプリケーションのための課題を提起する。
深層学習に基づく手法は、複雑な時間的依存関係と学習データ分散を活用することで、欠落データを扱うことに成功した。
本稿では,既存の手法を2つの重要な観点から分類する新しい分類法を提案する。
論文 参考訳（メタデータ） (2024-02-06T15:03:53Z) - Data-CUBE: Data Curriculum for Instruction-based Sentence Representation
Learning [85.66907881270785]
本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。
タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。
インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
論文 参考訳（メタデータ） (2024-01-07T18:12:20Z) - Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。
タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。
複数の臨床データセットに対するTAMLの有効性を示す。
論文 参考訳（メタデータ） (2023-03-05T03:54:54Z) - 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) - Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。
医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。
近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
論文 参考訳（メタデータ） (2021-08-30T18:14:27Z) - Deep learning for temporal data representation in electronic health
records: A systematic review of challenges and methodologies [11.584972135829199]
一時的な電子健康記録は、臨床イベント予測や慢性疾患管理など、二次的な用途のための豊富な情報である。
我々は,2010年1月1日から2020年8月30日までに,構造化EHRデータにおける時間的データ表現に関する深層学習手法を報告した論文を求めた。
データ不規則性、データ不均一性、データの分散性、モデル不透明性を含む4つの大きな課題が特定された。
論文 参考訳（メタデータ） (2021-07-21T09:00:40Z) - 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) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - Uncovering the structure of clinical EEG signals with self-supervised
learning [64.4754948595556]
教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。
この現象は脳波(EEG)などの臨床関連データに特に問題となる。
ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
論文 参考訳（メタデータ） (2020-07-31T14:34:47Z)
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。