論文の概要: Disease Progression Modeling Workbench 360
- arxiv url: http://arxiv.org/abs/2106.13265v1
- Date: Thu, 24 Jun 2021 18:30:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 03:39:38.783923
- Title: Disease Progression Modeling Workbench 360
- Title（参考訳）: 疾患進行モデリングワークベンチ360
- Authors: Parthasarathy Suryanarayanan, Prithwish Chakraborty, Piyush Madan,
Kibichii Bore, William Ogallo, Rachita Chandra, Mohamed Ghalwash, Italo
Buleje, Sekou Remy, Shilpa Mahatma, Pablo Meyer, Jianying Hu
- Abstract要約: DPM360は、データ分析(コホート識別など)から機械学習アルゴリズムの開発、プロトタイピングに至るまで、モデリングライフサイクル全体を管理する。
DPM360は、広く採用されているOHDSIイニシアチブが提供するデータモデルの標準化とツーリングの利点を、強力な機械学習トレーニングフレームワークで強化する。
- 参考スコア（独自算出の注目度）: 3.8362827730880316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work we introduce Disease Progression Modeling workbench 360 (DPM360)
opensource clinical informatics framework for collaborative research and
delivery of healthcare AI. DPM360, when fully developed, will manage the entire
modeling life cycle, from data analysis (e.g., cohort identification) to
machine learning algorithm development and prototyping. DPM360 augments the
advantages of data model standardization and tooling (OMOP-CDM, Athena, ATLAS)
provided by the widely-adopted OHDSI initiative with a powerful machine
learning training framework, and a mechanism for rapid prototyping through
automatic deployment of models as containerized services to a cloud
environment.
- Abstract（参考訳）: 本稿では,医療AIの協調研究と提供を目的としたDPM360オープンソース臨床情報フレームワークについて紹介する。
DPM360は、完全に開発されると、データ分析(コホート識別など)から機械学習アルゴリズムの開発とプロトタイピングまで、モデリングライフサイクル全体を管理する。
DPM360は、強力な機械学習トレーニングフレームワークを備えた、広く採用されているOHDSIイニシアチブによって提供されるデータモデルの標準化とツーリング(OMOP-CDM、Athena、ATLAS)のメリットと、コンテナ化されたサービスとしてのモデルの自動デプロイによるクラウド環境への迅速なプロトタイピングのメカニズムを強化する。
関連論文リスト
- AI-powered multimodal modeling of personalized hemodynamics in aortic stenosis [3.9933028169938605]
大動脈狭窄は先進国で最も一般的な弁膜心疾患である。
高忠実度前臨床モデルは、治療革新、早期診断、調整された治療計画を可能にして、AS管理を改善することができる。
本稿では,AS血行動態の加速・民主化のためのAIを用いた計算フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-29T21:49:45Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - Automated Multi-Task Learning for Joint Disease Prediction on Electronic Health Records [4.159498069487535]
本稿では,タスクグループとアーキテクチャの最適構成を同時に検索できるAutoDPという自動手法を提案する。
ハンドクラフトと自動化された最先端の手法の両方に対して大幅な性能向上を実現し、同時に検索コストを同時に維持する。
論文 参考訳（メタデータ） (2024-03-06T22:32:48Z) - OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models
in Medicine [55.29668193415034]
マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。
これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。
様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
論文 参考訳（メタデータ） (2024-02-28T03:51:02Z) - DEPLOYR: A technical framework for deploying custom real-time machine
learning models into the electronic medical record [5.660769142308798]
機械学習モデルのリアルタイム展開とモニタリングを可能にするフレームワークであるDEPLOYRを提案する。
コア機能と設計決定について論じ,EMRソフトウェア内の動作に基づいて推論をトリガーする機構について論じる。
我々は、スタンフォード・ヘルスケアのEpicの生産事例において、クリニカル・ボタンクリックによって引き起こされる12のMLモデルを静かに展開し、前向きに評価することで、DEPLOYRの使用を実証する。
論文 参考訳（メタデータ） (2023-03-11T01:11:24Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - FedStack: Personalized activity monitoring using stacked federated
learning [12.792461572028449]
フェデレーション学習は、データのプライバシを高めるように設計された比較的新しいAI技術である。
従来のフェデレート学習では、ローカルクライアントとグローバルサーバをまたいでトレーニングされるのと同じアーキテクチャモデルが必要です。
この研究は、分散型アプローチで入院中の患者に対して保護されたプライバシシステムを提供する。
論文 参考訳（メタデータ） (2022-09-27T00:12:44Z) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳（メタデータ） (2022-06-10T16:20:59Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z)
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。