論文の概要: Neighborhood Contrastive Learning Applied to Online Patient Monitoring
- arxiv url: http://arxiv.org/abs/2106.05142v1
- Date: Wed, 9 Jun 2021 15:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-10 15:02:05.147266
- Title: Neighborhood Contrastive Learning Applied to Online Patient Monitoring
- Title(参考訳): 隣接コントラスト学習のオンライン患者モニタリングへの応用
- Authors: Hugo Y\`eche, Gideon Dresdner, Francesco Locatello, Matthias H\"user,
Gunnar R\"atsch
- Abstract要約: 集中治療単位 (ICU) では、重度疾患患者のオンラインモニタリングは、しばしば教師付き学習問題として定式化される。
本研究では,この制限を,新たな対照的な学習目標を用いて時系列データ拡張手法を補足することで克服する。
本実験は, 医用時間帯にコントラスト法を適用した既存の作業よりも顕著に改善したことを示す。
- 参考スコア(独自算出の注目度): 14.3069701869113
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intensive care units (ICU) are increasingly looking towards machine learning
for methods to provide online monitoring of critically ill patients. In machine
learning, online monitoring is often formulated as a supervised learning
problem. Recently, contrastive learning approaches have demonstrated promising
improvements over competitive supervised benchmarks. These methods rely on
well-understood data augmentation techniques developed for image data which do
not apply to online monitoring. In this work, we overcome this limitation by
supplementing time-series data augmentation techniques with a novel contrastive
learning objective which we call neighborhood contrastive learning (NCL). Our
objective explicitly groups together contiguous time segments from each patient
while maintaining state-specific information. Our experiments demonstrate a
marked improvement over existing work applying contrastive methods to medical
time-series.
- Abstract(参考訳): 重篤なケアユニット(ICU)は、重篤な患者をオンライン監視する手段として、機械学習をますます求めている。
機械学習では、オンラインモニタリングはしばしば教師付き学習問題として定式化される。
近年、コントラスト学習アプローチは、競合する教師付きベンチマークよりも有望な改善を示している。
これらの方法は、オンライン監視に当てはまらない画像データのために開発された、十分に理解されたデータ拡張技術に依存している。
本研究では,この制限を,近隣コントラスト学習(NCL)と呼ばれる新しいコントラスト学習目標を用いて時系列データ拡張手法を補足することで克服する。
本研究の目的は, 状態情報を維持しながら各患者から連続した時間セグメントを明示的にグループ化することである。
本実験は,医用時間帯にコントラスト法を適用した既存の作業よりも顕著な改善を示した。
関連論文リスト
- Active Learning Guided Federated Online Adaptation: Applications in
Medical Image Segmentation [17.91288898488217]
本稿では,医師のフィードバックをアクティブな学習を通じて取り入れた医療画像分割手法を提案する。
公開データセットを用いた実験の結果,提案手法は教師なしのオンライン適応法よりも優れていた。
論文 参考訳(メタデータ) (2023-12-08T23:43:17Z) - Domain-Aware Augmentations for Unsupervised Online General Continual
Learning [7.145581090959242]
本稿では、教師なしオンライン総合学習(UOGCL)におけるコントラスト学習のためのメモリ使用量を改善する新しい手法を提案する。
提案手法は単純だが有効であり, 従来の非教師なし手法に比べ, 最新の結果が得られる。
ドメインを意識した拡張手順は他のリプレイ方式にも適用可能であり、継続的な学習には有望な戦略である。
論文 参考訳(メタデータ) (2023-09-13T11:45:21Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳(メタデータ) (2023-09-05T19:45:09Z) - 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) - 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) - 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) - HiRID-ICU-Benchmark -- A Comprehensive Machine Learning Benchmark on
High-resolution ICU Data [0.8418021941792283]
ICU関連タスクの幅広い範囲をカバーするベンチマークの提供を目指している。
HiRIDデータセットを用いて,臨床医とのコラボレーションによって開発された複数の臨床関連タスクを定義した。
我々は,このタイプのデータに対する深層学習アプローチのいくつかの制限を強調し,現在最先端のシーケンスモデリング手法を詳細に分析する。
論文 参考訳(メタデータ) (2021-11-16T15:06:42Z) - Evaluating Contrastive Learning on Wearable Timeseries for Downstream
Clinical Outcomes [10.864821932376833]
SimCLRやBYOLのような対照的な損失を利用する自己教師型アプローチは、高次元の健康信号に適用できる。
そこで本研究では,SimCLRが下流評価タスクの大部分において,逆数法と完全教師付き手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-11-13T10:48:17Z) - Co$^2$L: Contrastive Continual Learning [69.46643497220586]
近年の自己教師型学習のブレークスルーは、このようなアルゴリズムが視覚的な表現を学習し、見えないタスクにもっとうまく移行できることを示している。
本稿では、連続的な学習と伝達可能な表現の維持に焦点を当てたリハーサルに基づく連続学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-06-28T06:14:38Z) - Evaluating the Robustness of Self-Supervised Learning in Medical Imaging [57.20012795524752]
自己監督は、小さな注釈付きデータセット上でターゲットタスクを訓練する際の効果的な学習戦略であることを示した。
本研究では,自己監視学習によって訓練されたネットワークが,医療画像の文脈における完全監視学習と比較して,堅牢性と汎用性に優れていることを示した。
論文 参考訳(メタデータ) (2021-05-14T17:49:52Z)
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。