Fugu-MT 論文翻訳(概要): Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI

論文の概要: Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI

arxiv url: http://arxiv.org/abs/2105.12497v1
Date: Wed, 26 May 2021 11:59:44 GMT
ステータス: 処理完了
システム内更新日: 2021-05-27 13:37:15.147479
Title: Designing ECG Monitoring Healthcare System with Federated Transfer Learning and Explainable AI
Title（参考訳）: フェデレートトランスファー学習と説明可能なAIを用いたECGモニタリングヘルスケアシステムの設計
Authors: Ali Raza, Kim Phuc Tran, Ludovic Koehl and Shujun Li
Abstract要約: 我々は、ECGベースの医療アプリケーションのための連合環境で、新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。提案したフレームワークは、MIT-BIH Arrhythmiaデータベースを使用してトレーニングされ、テストされた。
参考スコア（独自算出の注目度）: 4.694126527114577
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning play a vital role in classifying different arrhythmias using the electrocardiography (ECG) data. Nevertheless, training deep learning models normally requires a large amount of data and it can lead to privacy concerns. Unfortunately, a large amount of healthcare data cannot be easily collected from a single silo. Additionally, deep learning models are like black-box, with no explainability of the predicted results, which is often required in clinical healthcare. This limits the application of deep learning in real-world health systems. In this paper, we design a new explainable artificial intelligence (XAI) based deep learning framework in a federated setting for ECG-based healthcare applications. The federated setting is used to solve issues such as data availability and privacy concerns. Furthermore, the proposed framework setting effectively classifies arrhythmia's using an autoencoder and a classifier, both based on a convolutional neural network (CNN). Additionally, we propose an XAI-based module on top of the proposed classifier to explain the classification results, which help clinical practitioners make quick and reliable decisions. The proposed framework was trained and tested using the MIT-BIH Arrhythmia database. The classifier achieved accuracy up to 94% and 98% for arrhythmia detection using noisy and clean data, respectively, with five-fold cross-validation.
Abstract（参考訳）: 深層学習は心電図(ecg)データを用いて異なる不整脈を分類する上で重要な役割を果たす。それでも、ディープラーニングモデルのトレーニングは通常、大量のデータを必要とするため、プライバシの懸念を引き起こす可能性がある。残念ながら、大量の医療データを単一のサイロから容易に収集することはできない。さらに、ディープラーニングモデルはブラックボックスのようなもので、予測結果の説明性はなく、臨床医療でしばしば必要とされる。これにより、現実世界の健康システムにおけるディープラーニングの適用が制限される。本稿では,ECGベースの医療アプリケーションのための統合環境において,新しい説明可能な人工知能(XAI)ベースのディープラーニングフレームワークを設計する。フェデレーション設定は、データ可用性やプライバシの懸念といった問題を解決するために使用される。さらに,提案フレームワークでは,畳み込みニューラルネットワーク(cnn)に基づいて,オートエンコーダと分類器を用いて不整脈を効果的に分類する。さらに,提案する分類器の上位にxaiベースのモジュールを提案し,分類結果を説明し,臨床実践者が迅速かつ信頼性の高い意思決定を行うのを支援する。提案フレームワークはmit-bih不整脈データベースを用いてトレーニングおよびテストを行った。この分類器は, ノイズデータとクリーンデータを用いた不整脈検出では, 94%, 98%の精度で5倍のクロスバリデーションが得られた。

関連論文リスト

ECG-CL: A Comprehensive Electrocardiogram Interpretation Method Based on Continual Learning [20.465733855762835]
心電図(ECG)モニタリングは心血管疾患(CVD)早期診断の最も強力な手法の一つである。古典的なルールベースのアルゴリズムは、今ではディープラーニングベースの手法によって完全にパフォーマンスが向上している。本稿では,高解像度の低レベルセマンティック情報を一括して保持できるマルチレゾリューションモデルを提案する。
論文参考訳（メタデータ） (2023-04-10T15:19:00Z)
Application of federated learning techniques for arrhythmia classification using 12-lead ECG signals [0.11184789007828977]
この作業では、フェデレートラーニング(FL)プライバシ保護方法論を使用して、高定義のECGの異種集合上でAIモデルをトレーニングする。 CL, IID, 非IIDアプローチを用いて訓練したモデルと比較した。
論文参考訳（メタデータ） (2022-08-23T14:21:16Z)
ECG Heartbeat classification using deep transfer learning with Convolutional Neural Network and STFT technique [3.0065593137364353]
そこで本研究では,小規模学習データセットの分類を目的としたディープトランスファー学習フレームワークを提案する。提案手法は、AAMI EC57規格に従って、汎用画像分類器ResNet-18をMIT-BIH不整脈データセットで微調整する。
論文参考訳（メタデータ） (2022-06-28T04:57:02Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Development of Interpretable Machine Learning Models to Detect Arrhythmia based on ECG Data [0.0]
この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
論文参考訳（メタデータ） (2022-05-05T17:29:33Z)
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)
Heart-Darts: Classification of Heartbeats Using Differentiable Architecture Search [22.225051965963114]
不整脈は不規則な心拍を示す心血管疾患です。不整脈検出では心電図(ECG)信号が重要な診断手法である。畳み込みニューラルネットワーク(cnns)の適用により,評価プロセスが高速化され,性能が向上した。
論文参考訳（メタデータ） (2021-05-03T08:57:48Z)
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)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)
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)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。