論文の概要: Deep Transfer Learning for Infectious Disease Case Detection Using Electronic Medical Records

• arxiv url: http://arxiv.org/abs/2103.06710v1
• Date: Mon, 8 Mar 2021 01:53:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-12 14:41:25.449049
• Title: Deep Transfer Learning for Infectious Disease Case Detection Using Electronic Medical Records
• Title（参考訳）: 電子カルテを用いた感染性疾患症例検出のためのDeep Transfer Learning
• Authors: Ye Ye, Andrew Gu
• Abstract要約: 感染症のパンデミックでは、電子カルテやモデル(これらの記録から得られた)を地域間で共有することが重要である。 あるリージョンのデータ/モデルを別のリージョンに適用する場合、従来の機械学習技術の仮定に反する分散シフトの問題がしばしば発生します。 ディープトランスファー学習アルゴリズムの可能性を探るため、2つのデータベースアルゴリズムとモデルベーストランスファー学習アルゴリズムを感染症検出タスクに応用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During an infectious disease pandemic, it is critical to share electronic medical records or models (learned from these records) across regions. Applying one region's data/model to another region often have distribution shift issues that violate the assumptions of traditional machine learning techniques. Transfer learning can be a solution. To explore the potential of deep transfer learning algorithms, we applied two data-based algorithms (domain adversarial neural networks and maximum classifier discrepancy) and model-based transfer learning algorithms to infectious disease detection tasks. We further studied well-defined synthetic scenarios where the data distribution differences between two regions are known. Our experiments show that, in the context of infectious disease classification, transfer learning may be useful when (1) the source and target are similar and the target training data is insufficient and (2) the target training data does not have labels. Model-based transfer learning works well in the first situation, in which case the performance closely matched that of the data-based transfer learning models. Still, further investigation of the domain shift in real world research data to account for the drop in performance is needed.
• Abstract（参考訳）: 感染症のパンデミックでは、電子カルテやモデル(これらの記録から得られた)を地域間で共有することが重要である。 あるリージョンのデータ/モデルを別のリージョンに適用する場合、従来の機械学習技術の仮定に反する分散シフトの問題がしばしば発生します。 転校学習は解決策になり得る。 ディープトランスファー学習アルゴリズムの可能性を探るため,2つのデータベースアルゴリズム(ドメイン敵対ニューラルネットワークと最大分類器差分法)とモデルベーストランスファー学習アルゴリズムを感染症検出タスクに適用した。 さらに,2つの領域間のデータ分布の違いが分かっている,明確に定義された合成シナリオについても検討した。 本研究は, 感染症分類の文脈において, (1) ソースとターゲットが類似し, 対象訓練データが不十分であり, (2) 対象訓練データにラベルがない場合に, トランスファー学習が有用であることを示す。 モデルベースの転送学習は、データベースの転送学習モデルと密接に一致する場合において、最初の状況でうまく機能する。 それでも、パフォーマンスの低下を考慮に入れた実世界の研究データのドメインシフトに関するさらなる調査が必要である。

関連論文リスト

• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Amplifying Pathological Detection in EEG Signaling Pathways through Cross-Dataset Transfer Learning [10.212217551908525]
  実世界の病理分類課題におけるデータとモデルスケーリングとデータセット間の知識伝達の有効性について検討する。 ネガティブトランスファーの可能性の課題を特定し、いくつかの重要なコンポーネントの重要性を強調する。 以上の結果から,小規模で汎用的なモデル(ShallowNetなど)は単一データセット上では良好に動作するが,大規模なモデル(TCNなど)では,大規模かつ多様なデータセットからの転送や学習がより優れていることが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T20:09:15Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Forecasting new diseases in low-data settings using transfer learning [0.0]
  転帰学習を用いた新しい疾患の予測に,関連疾患の知識がいかに役立つかを示す。 転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めている。
  論文  参考訳（メタデータ） (2022-04-07T17:54:39Z)
• 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)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• Intra-domain and cross-domain transfer learning for time series data -- How transferable are the features? [0.0]
  本研究の目的は,時系列データの異なる領域間において,転送可能がどのような特徴を持つかを評価することである。 伝達学習の効果は,モデルの予測性能と学習時の収束率の観点から観察される。
  論文  参考訳（メタデータ） (2022-01-12T12:55:21Z)
• Semi-supervised Optimal Transport with Self-paced Ensemble for Cross-hospital Sepsis Early Detection [12.704730765459257]
  最先端の手法は、教師あり学習のために大量のラベル付き医療データを必要とする。 ラベル付きデータの欠如は、ある病院が新しいセプシス検出システムをデプロイしたい場合、大きな障害を引き起こす。 本稿では,Sepsis早期検出のための自己組織化アンサンブルフレームワークを用いた半教師付き最適トランスポートを提案する。
  論文  参考訳（メタデータ） (2021-06-18T20:54:18Z)
• Dual-Teacher++: Exploiting Intra-domain and Inter-domain Knowledge with Reliable Transfer for Cardiac Segmentation [69.09432302497116]
  最先端の半教師付きドメイン適応フレームワークである Dual-Teacher++ を提案する。 ソースドメイン(MRなど)からのクロスモダリティ優先度を探索するドメイン間教師モデルと、ラベルのないターゲットドメインの知識を調査するドメイン内教師モデルを含む、新しいデュアル教師モデルを設計する。 このようにして、学生モデルは信頼できる二重ドメイン知識を得て、ターゲットドメインデータのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2021-01-07T05:17:38Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。