論文の概要: FIT: a Fast and Accurate Framework for Solving Medical Inquiring and Diagnosing Tasks

• arxiv url: http://arxiv.org/abs/2012.01065v1
• Date: Wed, 2 Dec 2020 10:12:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:52:42.862209
• Title: FIT: a Fast and Accurate Framework for Solving Medical Inquiring and Diagnosing Tasks
• Title（参考訳）: fit: 医療調査と診断タスクを解決するための高速で正確なフレームワーク
• Authors: Weijie He, Xiaohao Mao, Chao Ma, Jos\'e Miguel Hern\'andez-Lobato, Ting Chen
• Abstract要約: 自己診断(Self-diagnosis)は、患者をクエリーし、疾患の予測を行うエージェントを介して、低コストでアクセス可能な医療を提供する。 我々は、次に収集するデータを決定するために情報理論の報酬を使用するFITと呼ばれる競合フレームワークを提案する。 シミュレーションした2つのデータセットから、FITは大規模な検索空間問題に効果的に対処でき、既存のベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 10.687562550605739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic self-diagnosis provides low-cost and accessible healthcare via an agent that queries the patient and makes predictions about possible diseases. From a machine learning perspective, symptom-based self-diagnosis can be viewed as a sequential feature selection and classification problem. Reinforcement learning methods have shown good performance in this task but often suffer from large search spaces and costly training. To address these problems, we propose a competitive framework, called FIT, which uses an information-theoretic reward to determine what data to collect next. FIT improves over previous information-based approaches by using a multimodal variational autoencoder (MVAE) model and a two-step sampling strategy for disease prediction. Furthermore, we propose novel methods to substantially reduce the computational cost of FIT to a level that is acceptable for practical online self-diagnosis. Our results in two simulated datasets show that FIT can effectively deal with large search space problems, outperforming existing baselines. Moreover, using two medical datasets, we show that FIT is a competitive alternative in real-world settings.
• Abstract（参考訳）: 自動自己診断は、患者に問い合わせ、疾患の予測を行うエージェントを介して、低コストでアクセス可能な医療を提供する。 機械学習の観点から、症状に基づく自己診断は、逐次的特徴選択と分類問題と見なすことができる。 強化学習法は、この課題において優れた性能を示すが、しばしば大きな探索空間とコストのかかる訓練に苦しむ。 これらの問題に対処するために、情報理論の報酬を用いて次に収集するデータを決定するFITと呼ばれる競合フレームワークを提案する。 FITは、マルチモーダル変分オートエンコーダ(MVAE)モデルと、病気予測のための2段階のサンプリング戦略を用いて、従来の情報に基づくアプローチよりも改善されている。 さらに,実際のオンライン自己診断に許容される水準に適合する計算コストを大幅に削減する新しい手法を提案する。 2つのデータセットをシミュレートした結果,fitは既存のベースラインよりも大きな検索空間問題に対して効果的に対処できることがわかった。 さらに,2つの医療データセットを用いて,実環境においてFITが競合する代替手段であることを示す。

関連論文リスト

• The Relevance Feature and Vector Machine for health applications [0.11538034264098687]
  本稿では,臨床研究における脂肪データ問題に対処する新しいモデルを提案する。 モデル機能は、太いデータ問題のあるいくつかの医療データセットの最先端モデルに対してテストされる。
  論文  参考訳（メタデータ） (2024-02-11T01:21:56Z)
• Revolutionizing Disease Diagnosis: A Microservices-Based Architecture for Privacy-Preserving and Efficient IoT Data Analytics Using Federated Learning [0.0]
  深層学習に基づく疾患診断の応用は、様々な疾患の段階での正確な診断に不可欠である。 処理リソースをデバイスに近づけることで、分散コンピューティングパラダイムは、病気の診断に革命をもたらす可能性がある。 本研究では、プライバシとパフォーマンス要件を満たすために、IoTデータ分析システムに対するフェデレーションベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-27T06:31:43Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Scalable Online Disease Diagnosis via Multi-Model-Fused Actor-Critic Reinforcement Learning [9.274138493400436]
  医療のアドバイスをオンラインで求めている人にとっては、患者と対話して自動的に疾患を診断できるAIベースの対話エージェントが有効な選択肢だ。 これは、強化学習(RL)アプローチを自然解として提案した逐次的特徴(症状)選択と分類の問題として定式化することができる。 生成的アクターネットワークと診断批評家ネットワークから構成されるMMF-AC(Multi-Model-Fused Actor-Critic)フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-08T03:06:16Z)
• 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)
• 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)
• Bayesian Structural Learning for an Improved Diagnosis of Cyber-Physical Systems [0.8379286663107844]
  本稿では,構造化診断モデルの自動学習のためのスケーラブルアルゴリズムを提案する。 比較アルゴリズムと同等のパフォーマンスを提供し、解釈性を向上させます。
  論文  参考訳（メタデータ） (2021-04-02T11:14:05Z)
• 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)
• A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
  アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。 スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
  論文  参考訳（メタデータ） (2020-08-19T04:28:17Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。