論文の概要: Medical Deep Learning -- A systematic Meta-Review

• arxiv url: http://arxiv.org/abs/2010.14881v5
• Date: Wed, 18 May 2022 10:18:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 05:13:56.046455
• Title: Medical Deep Learning -- A systematic Meta-Review
• Title（参考訳）: 医学的深層学習--体系的メタレビュー
• Authors: Jan Egger, Christina Gsaxner, Antonio Pepe, Kelsey L. Pomykala, Frederic Jonske, Manuel Kurz, Jianning Li, Jens Kleesiek
• Abstract要約: ディープラーニング(DL)はここ数年、いくつかの科学分野に影響を与えてきた。 DLは、自動運転などのタスクで最先端の結果を提供し、以前の試みを抜いた。 大量の患者の記録とデータの収集により、医療情報の自動化された信頼性の高い処理と分析が求められている。
• 参考スコア（独自算出の注目度）: 0.4256574128156698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) has remarkably impacted several different scientific disciplines over the last few years. E.g., in image processing and analysis, DL algorithms were able to outperform other cutting-edge methods. Additionally, DL has delivered state-of-the-art results in tasks like autonomous driving, outclassing previous attempts. There are even instances where DL outperformed humans, for example with object recognition and gaming. DL is also showing vast potential in the medical domain. With the collection of large quantities of patient records and data, and a trend towards personalized treatments, there is a great need for automated and reliable processing and analysis of health information. Patient data is not only collected in clinical centers, like hospitals and private practices, but also by mobile healthcare apps or online websites. The abundance of collected patient data and the recent growth in the DL field has resulted in a large increase in research efforts. In Q2/2020, the search engine PubMed returned already over 11,000 results for the search term 'deep learning', and around 90% of these publications are from the last three years. However, even though PubMed represents the largest search engine in the medical field, it does not cover all medical-related publications. Hence, a complete overview of the field of 'medical deep learning' is almost impossible to obtain and acquiring a full overview of medical sub-fields is becoming increasingly more difficult. Nevertheless, several review and survey articles about medical DL have been published within the last few years. They focus, in general, on specific medical scenarios, like the analysis of medical images containing specific pathologies. With these surveys as a foundation, the aim of this article is to provide the first high-level, systematic meta-review of medical DL surveys.
• Abstract（参考訳）: ディープラーニング(DL)はここ数年、いくつかの科学分野に大きな影響を与えてきた。 例えば、画像処理と解析において、DLアルゴリズムは他の最先端の手法よりも優れていた。 さらに、DLは自動運転などのタスクで最先端の結果を提供し、以前の試みを抜いた。 例えば、オブジェクト認識やゲームでは、DLが人間よりも優れています。 DLは医療分野でも大きな可能性を秘めている。 大量の患者の記録やデータの収集,パーソナライズされた治療の傾向などにより,医療情報の自動的かつ信頼性の高い処理と分析が求められている。 患者データは、病院やプライベートプラクティスなどの臨床センターで収集されるだけでなく、モバイルヘルスケアアプリやオンラインウェブサイトからも収集される。 収集した患者データと最近のDL分野の成長は、研究努力の増大をもたらしている。 Q2/2020では、検索エンジンPubMedが「深層学習」という用語ですでに11,000件以上の結果を返しており、これらの出版物の約90%は過去3年間のものである。 しかし、PubMedは医療分野で最大の検索エンジンだが、すべての医療関連出版物をカバーしていない。 そのため、「医学的深層学習」の分野を概観することはほぼ不可能であり、医学的サブ分野の完全な概観を得ることがますます難しくなってきている。 それにもかかわらず、ここ数年で医療用dlに関するレビューや調査記事がいくつか出版されている。 それらは一般的に、特定の病態を含む医療画像の分析など、特定の医療シナリオに焦点を当てている。 本論文は,これらの調査を基礎として,医療用DLサーベイの高度かつ体系的なメタレビューを初めて提供することを目的とする。

関連論文リスト

• De-identification of clinical free text using natural language processing: A systematic review of current approaches [48.343430343213896]
  自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。 本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
  論文  参考訳（メタデータ） (2023-11-28T13:20:41Z)
• A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
  少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。 この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
  論文  参考訳（メタデータ） (2023-09-20T16:10:53Z)
• Med-Flamingo: a Multimodal Medical Few-shot Learner [58.85676013818811]
  医療領域に適応したマルチモーダル・数ショット学習者であるMed-Flamingoを提案する。 OpenFlamingo-9Bに基づいて、出版物や教科書からの医療画像テキストデータのペア化とインターリーブ化を継続する。 本研究は,医療用VQA(ジェネレーティブ医療用VQA)の最初の人間評価である。
  論文  参考訳（メタデータ） (2023-07-27T20:36:02Z)
• LLaVA-Med: Training a Large Language-and-Vision Assistant for Biomedicine in One Day [85.19963303642427]
  本稿では,バイオメディカルイメージのオープンな研究課題に答えられる視覚言語対話アシスタントを訓練するための費用効率のよいアプローチを提案する。 モデルはまず、フィギュア・キャプションのペアを使ってバイオメディカル・ボキャブラリをアライメントし、その後、オープンエンドの会話意味論を習得する。 これにより、バイオメディジンのための大規模言語と視覚アシスタントを15時間以内で(8つのA100で)訓練することができる。
  論文  参考訳（メタデータ） (2023-06-01T16:50:07Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• An overview of deep learning in medical imaging [0.0]
  ディープラーニング(DL)システムは、幅広い分野にまたがる最先端のMLシステムである。 最近の進歩は医療分野に多大な改善をもたらす可能性がある。 近年,医療用画像用DLの分野での問題点が報告されている。
  論文  参考訳（メタデータ） (2022-02-17T09:44:57Z)
• Domain-Specific Pretraining for Vertical Search: Case Study on Biomedical Literature [67.4680600632232]
  自己教師型学習は、アノテーションのボトルネックを克服するための有望な方向として現れました。 本稿では,ドメイン固有の事前学習に基づく垂直探索手法を提案する。 我々のシステムはPubMed上で何千万もの記事にスケールでき、Microsoft Biomedical Searchとしてデプロイされている。
  論文  参考訳（メタデータ） (2021-06-25T01:02:55Z)
• A Systematic Collection of Medical Image Datasets for Deep Learning [37.476768951211206]
  ディープラーニングアルゴリズムはデータ依存であり、トレーニングには大規模なデータセットを必要とする。 医用画像領域におけるデータ不足は、深層学習を医用画像解析に応用するためのボトルネックとなる。 本稿では、深層学習研究における課題について、医用画像データセットのコレクションを提供する。
  論文  参考訳（メタデータ） (2021-06-24T10:00:30Z)
• Deep Learning -- A first Meta-Survey of selected Reviews across Scientific Disciplines, their Commonalities, Challenges and Research Impact [4.505014335388935]
  この貢献は、異なる科学分野にわたる深層学習に関する選択されたレビューの最初の、ハイレベルで分類されたメタサーベイを提供する。 ディープラーニングは人工知能の分野に属し、機械は通常、ある種の人間の知性を必要とするタスクを実行する。 医療分野の全出版物のサブセットのみをカバーするPubMedだけで、2020年第3四半期の検索用語「深層学習」ですでに11,000件以上の結果が得られる。
  論文  参考訳（メタデータ） (2020-11-16T13:14:18Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)

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。