論文の概要: Therapeutics Data Commons: Machine Learning Datasets and Tasks for Therapeutics

• arxiv url: http://arxiv.org/abs/2102.09548v1
• Date: Thu, 18 Feb 2021 18:50:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-19 14:07:53.731345
• Title: Therapeutics Data Commons: Machine Learning Datasets and Tasks for Therapeutics
• Title（参考訳）: therapeutics data commons: 機械学習データセットと治療のためのタスク
• Authors: Kexin Huang, Tianfan Fu, Wenhao Gao, Yue Zhao, Yusuf Roohani, Jure Leskovec, Connor W. Coley, Cao Xiao, Jimeng Sun, Marinka Zitnik
• Abstract要約: Therapeutics Data Commonsは、治療の全範囲にわたる機械学習を体系的にアクセスし、評価するためのフレームワークです。 TDCは、アルゴリズムの革新をバイオメディカルおよび臨床実装に翻訳できる、キュレートされたデータセットと学習タスクのコレクションです。 tdcはまた、データ機能、体系的モデル評価のための戦略、有意義なデータ分割、データプロセッサ、分子生成オラクルを含む、ツール、ライブラリ、リーダーボード、コミュニティリソースのエコシステムを提供する。
• 参考スコア（独自算出の注目度）: 84.94299203422658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning for therapeutics is an emerging field with incredible opportunities for innovation and expansion. Despite the initial success, many key challenges remain open. Here, we introduce Therapeutics Data Commons (TDC), the first unifying framework to systematically access and evaluate machine learning across the entire range of therapeutics. At its core, TDC is a collection of curated datasets and learning tasks that can translate algorithmic innovation into biomedical and clinical implementation. To date, TDC includes 66 machine learning-ready datasets from 22 learning tasks, spanning the discovery and development of safe and effective medicines. TDC also provides an ecosystem of tools, libraries, leaderboards, and community resources, including data functions, strategies for systematic model evaluation, meaningful data splits, data processors, and molecule generation oracles. All datasets and learning tasks are integrated and accessible via an open-source library. We envision that TDC can facilitate algorithmic and scientific advances and accelerate development, validation, and transition into production and clinical implementation. TDC is a continuous, open-source initiative, and we invite contributions from the research community. TDC is publicly available at https://tdcommons.ai.
• Abstract（参考訳）: 治療のための機械学習は、イノベーションと拡張の素晴らしい機会を持つ新興分野だ。 最初の成功にもかかわらず、多くの重要な課題はオープンのままです。 本稿では,治療全般にわたって機械学習を体系的にアクセスし,評価する最初の統一フレームワークである therapeutics data commons (tdc) を紹介する。 TDCは、アルゴリズムの革新をバイオメディカルおよび臨床実装に翻訳できる、キュレートされたデータセットと学習タスクのコレクションです。 現在までに、tdcは安全で効果的な医薬品の発見と開発にまたがる22の学習タスクから66の機械学習対応データセットを含んでいる。 tdcはまた、データ機能、体系的モデル評価のための戦略、有意義なデータ分割、データプロセッサ、分子生成オラクルを含む、ツール、ライブラリ、リーダーボード、コミュニティリソースのエコシステムを提供する。 すべてのデータセットと学習タスクは、オープンソースライブラリを通じて統合され、アクセスできます。 TDCは、アルゴリズムと科学的進歩を促進し、開発、検証、および生産および臨床実装への移行を加速することができると考えています。 TDCは、継続的なオープンソースイニシアチブであり、研究コミュニティからの貢献を招待します。 TDCはhttps://tdcommons.ai.comで公開されている。

関連論文リスト

• Automated Extraction and Maturity Analysis of Open Source Clinical Informatics Repositories from Scientific Literature [0.0]
  本研究では、arXivにインデックスされた学術論文からGitHubリポジトリURLを体系的に抽出することにより、ギャップを埋める自動化手法を提案する。 当社のアプローチでは、関連論文に対するarXiv APIのクエリ、抽出したGitHub URLのクリーニング、GitHub APIによる包括的なリポジトリ情報の取得、スター、フォーク、オープンイシュー、コントリビュータなどの定義されたメトリクスに基づいてリポジトリの成熟度を分析しています。
  論文  参考訳（メタデータ） (2024-03-20T17:06:51Z)
• Knowledge-Infused Prompting: Assessing and Advancing Clinical Text Data Generation with Large Language Models [48.07083163501746]
  臨床自然言語処理には、ドメイン固有の課題に対処できる方法が必要である。 我々は,そのプロセスに知識を注入する,革新的で資源効率のよいアプローチであるClinGenを提案する。 7つのNLPタスクと16のデータセットを比較検討した結果,ClinGenはさまざまなタスクのパフォーマンスを継続的に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-11-01T04:37:28Z)
• Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
  本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
  論文  参考訳（メタデータ） (2023-09-30T15:44:39Z)
• Efficient Large Scale Medical Image Dataset Preparation for Machine Learning Applications [0.08484806297945031]
  本稿では,Kaapanaオープンソースツールキットの一部として開発された,革新的なデータキュレーションツールを紹介する。 このツールは、放射線学者や機械学習研究者のニーズに合わせたものだ。 高度な検索、自動アノテーション、データキュレーションの改善のための効率的なタグ付け機能を備えている。
  論文  参考訳（メタデータ） (2023-09-29T14:41:02Z)
• Advancing Italian Biomedical Information Extraction with Transformers-based Models: Methodological Insights and Multicenter Practical Application [0.27027468002793437]
  インフォメーション抽出は、自動化されたテキストマイニングパイプラインを使用することで、臨床実践者が限界を克服するのに役立つ。 我々は、最初のイタリアの神経心理学的名前付きエンティティ認識データセットであるPsyNITを作成し、それをトランスフォーマーベースのモデルの開発に利用した。 i)一貫性のあるアノテーションプロセスの重要な役割と(ii)古典的なメソッドと“低リソース”なアプローチを組み合わせた微調整戦略です。
  論文  参考訳（メタデータ） (2023-06-08T16:15:46Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Deep Anatomical Federated Network (Dafne): an open client/server framework for the continuous collaborative improvement of deep-learning-based medical image segmentation [0.0]
  Dafneソリューションは、システムのユーザの集合的知識を活用する、継続的に進化するディープラーニングモデルを実装している。 Dafneは、システムのユーザの集合的知識を活用する、継続的に進化するディープラーニングモデルを実装する、最初の分散型で協調的なソリューションである。 Dafneを通じてデプロイされたモデルは、時間とともにパフォーマンスを改善し、トレーニングセットにないデータタイプに一般化することができる。
  論文  参考訳（メタデータ） (2023-02-13T13:35:09Z)
• Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
  一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。 医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。 外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
  論文  参考訳（メタデータ） (2022-07-01T14:17:11Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Surgical Data Science -- from Concepts toward Clinical Translation [67.543698133416]
  外科的データサイエンスは、データの取得、組織化、分析、モデリングを通じて介入医療の質を向上させることを目的としている。 私たちは、その根底にある理由を明かし、この分野における今後の進歩のロードマップを提供しました。
  論文  参考訳（メタデータ） (2020-10-30T14:20:16Z)

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。