論文の概要: Transfer Learning in Electronic Health Records through Clinical Concept Embedding

• arxiv url: http://arxiv.org/abs/2107.12919v1
• Date: Tue, 27 Jul 2021 16:22:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-28 18:12:31.877308
• Title: Transfer Learning in Electronic Health Records through Clinical Concept Embedding
• Title（参考訳）: 臨床概念埋め込みによる電子健康記録の伝達学習
• Authors: Jose Roberto Ayala Solares, Yajie Zhu, Abdelaali Hassaine, Shishir Rao, Yikuan Li, Mohammad Mamouei, Dexter Canoy, Kazem Rahimi, Gholamreza Salimi-Khorshidi
• Abstract要約: 我々は,3100万人の患者から得られた包括的EHRデータに基づいて,最も顕著な疾患埋め込み技術を訓練することを目指している。 本研究は,臨床概念埋込み評価のための総合的アプローチとしては初めてである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models have shown tremendous potential in learning representations, which are able to capture some key properties of the data. This makes them great candidates for transfer learning: Exploiting commonalities between different learning tasks to transfer knowledge from one task to another. Electronic health records (EHR) research is one of the domains that has witnessed a growing number of deep learning techniques employed for learning clinically-meaningful representations of medical concepts (such as diseases and medications). Despite this growth, the approaches to benchmark and assess such learned representations (or, embeddings) is under-investigated; this can be a big issue when such embeddings are shared to facilitate transfer learning. In this study, we aim to (1) train some of the most prominent disease embedding techniques on a comprehensive EHR data from 3.1 million patients, (2) employ qualitative and quantitative evaluation techniques to assess these embeddings, and (3) provide pre-trained disease embeddings for transfer learning. This study can be the first comprehensive approach for clinical concept embedding evaluation and can be applied to any embedding techniques and for any EHR concept.
• Abstract（参考訳）: ディープラーニングモデルは、データのいくつかの重要な特性をキャプチャできる学習表現において、大きな可能性を秘めています。 異なる学習タスク間の共通性を利用して、あるタスクから別のタスクに知識を転送するのです。 電子健康記録(EHR、Electronic Health Record)研究は、医療概念(疾患や医薬品など)の臨床的に意味のある表現を学習するために使われる多くの深層学習技術を目撃した分野の1つである。 この成長にもかかわらず、そのような学習された表現(あるいは埋め込み)をベンチマークして評価するアプローチは、過小評価されている。 本研究の目的は,(1)3100万人の患者から得られた包括的EHRデータに基づいて,最も顕著な疾患埋め込み技術をトレーニングすること,(2)これらの埋め込みを評価するために質的,定量的な評価手法を採用すること,(3)移行学習のための事前訓練された疾患埋め込みを提供することである。 本研究は臨床概念埋め込み評価のための最初の包括的アプローチであり,任意の埋め込み技術および任意のehr概念に適用できる。

関連論文リスト

• An Experimental Comparison of Transfer Learning against Self-supervised Learning [6.744847405966574]
  本稿では,医療分野における転帰学習と自己指導学習のパフォーマンスと堅牢性を比較した。 我々は、データ不均衡、データの不足、ドメインミスマッチなど、医療領域で共通するいくつかの問題でデータをテストした。 医療分野における転帰学習と自己指導型学習の活用を支援するための推奨事項を提示する。
  論文  参考訳（メタデータ） (2024-07-08T04:14:52Z)
• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• Learning using privileged information for segmenting tumors on digital mammograms [4.439912826666305]
  本稿では,主観的情報を用いた学習手法を紹介する。 デジタルマンモグラフィーにおける腫瘍のセグメンテーション品質を改善する頑健なモデルの構築を目指す。
  論文  参考訳（メタデータ） (2024-02-09T12:56:16Z)
• Assessing Patient Eligibility for Inspire Therapy through Machine Learning and Deep Learning Models [4.4048801693309825]
  インスパイア療法(Inspire therapy)は、FDAが承認した閉塞性睡眠時無呼吸症の内的神経刺激療法である。 全ての患者がこの治療に反応するわけではなく、経験豊富な耳鼻咽喉科医でさえ候補を決定するのが困難である。 本稿では,機械学習と深層学習の両手法を併用して,インスパイア療法に対する患者反応を識別する試みを初めて行った。
  論文  参考訳（メタデータ） (2024-02-01T23:53:12Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• 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)
• Affective Medical Estimation and Decision Making via Visualized Learning and Deep Learning [42.313362520378035]
  我々は、VL4ML(Visualized Learning for Machine Learning)と呼ばれる第一種評価手法を提示した。 分類,回帰,縦断予測など,5つの異なるケーススタディについて検討した。 また,100人以上の個人を対象にした調査分析を行い,ユーザからのフィードバックを可視化推定法で評価した。
  論文  参考訳（メタデータ） (2022-05-09T23:29:47Z)
• 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)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)

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。