Fugu-MT 論文翻訳(概要): Machine Learning for Multimodal Electronic Health Records-based Research: Challenges and Perspectives

論文の概要: Machine Learning for Multimodal Electronic Health Records-based Research: Challenges and Perspectives

arxiv url: http://arxiv.org/abs/2111.04898v1
Date: Tue, 9 Nov 2021 01:19:11 GMT
ステータス: 処理完了
システム内更新日: 2021-11-10 15:28:52.174862
Title: Machine Learning for Multimodal Electronic Health Records-based Research: Challenges and Perspectives
Title（参考訳）: マルチモーダル電子健康記録研究のための機械学習 : 課題と展望
Authors: Ziyi Liu, Jiaqi Zhang, Yongshuai Hou, Xinran Zhang, Ge Li, Yang Xiang
Abstract要約: 電子健康記録は患者の健康史に関する豊富な情報を含んでいる。構造化されたデータに頼ることは患者の包括的情報を反映するのに不十分かもしれない多くの研究が、構造化されていない自由テキストデータも取り入れることで、より正確な結果を得ようとしている。
参考スコア（独自算出の注目度）: 22.230972071321357
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Background: Electronic Health Records (EHRs) contain rich information of patients' health history, which usually include both structured and unstructured data. There have been many studies focusing on distilling valuable information from structured data, such as disease codes, laboratory test results, and treatments. However, relying on structured data only might be insufficient in reflecting patients' comprehensive information and such data may occasionally contain erroneous records. Objective: With the recent advances of machine learning (ML) and deep learning (DL) techniques, an increasing number of studies seek to obtain more accurate results by incorporating unstructured free-text data as well. This paper reviews studies that use multimodal data, i.e. a combination of structured and unstructured data, from EHRs as input for conventional ML or DL models to address the targeted tasks. Materials and Methods: We searched in the Institute of Electrical and Electronics Engineers (IEEE) Digital Library, PubMed, and Association for Computing Machinery (ACM) Digital Library for articles related to ML-based multimodal EHR studies. Results and Discussion: With the final 94 included studies, we focus on how data from different modalities were combined and interacted using conventional ML and DL techniques, and how these algorithms were applied in EHR-related tasks. Further, we investigate the advantages and limitations of these fusion methods and indicate future directions for ML-based multimodal EHR research.
Abstract（参考訳）: 背景: 電子健康記録(ehrs)には患者の健康履歴の豊富な情報が含まれており、通常は構造化データと非構造化データの両方を含んでいる。疾患コード、検査結果、治療など、構造化データから貴重な情報を蒸留することに焦点を当てた研究が数多くある。しかし、構造化データに頼るだけでは患者の包括的情報を反映できない可能性があり、そのようなデータは時として誤った記録を含むことがある。目的:近年の機械学習(ML)とディープラーニング(DL)技術の進歩により,非構造化自由テキストデータも取り入れることで,より正確な結果を得る研究が増えている。本稿では,従来のMLやDLモデルの入力として,構造化データと非構造化データを組み合わせたマルチモーダルデータを用いた研究をレビューする。材料と方法:電気電子工学研究所(ieee)のデジタルライブラリ、pubmed、acm(association for computing machinery)のデジタルライブラリでmlベースのマルチモーダルehr研究に関する記事を検索した。結果と考察: 最終94回の研究では、従来のMLとDL技術を用いて、異なるモダリティからのデータの組み合わせと相互作用、そしてこれらのアルゴリズムがEHR関連のタスクにどのように適用されたかに焦点を当てた。さらに,これらの融合手法の利点と限界について検討し,MLに基づくマルチモーダルEHR研究の今後の方向性を示す。

関連論文リスト

AD-LLM: Benchmarking Large Language Models for Anomaly Detection [50.57641458208208]
本稿では,大規模な言語モデルが異常検出にどのように役立つかを評価する最初のベンチマークであるAD-LLMを紹介する。我々は、ゼロショット検出、LLMの事前訓練された知識を用いて、タスク固有のトレーニングなしでADを実行すること、データ拡張、ADモデルを改善するために合成データとカテゴリ記述を生成すること、LLMを使用して教師なしADモデルを提案するモデル選択の3つの主要なタスクについて検討する。
論文参考訳（メタデータ） (2024-12-15T10:22:14Z)
When Raw Data Prevails: Are Large Language Model Embeddings Effective in Numerical Data Representation for Medical Machine Learning Applications? [8.89829757177796]
大規模言語モデルの最後の隠れ状態からベクター表現が医療診断および予後に有効であることを示す。我々は,異常な生理的データを表すため,ゼロショット設定の命令調整LDMに着目し,それらのユーティリティを特徴抽出器として評価する。医学MLタスクでは生データの特徴が依然として有効であることが示唆されているが、ゼロショットLSM埋め込みは競争力のある結果を示している。
論文参考訳（メタデータ） (2024-08-15T03:56:40Z)
Machine Learning Techniques for MRI Data Processing at Expanding Scale [0.5221459608786241]
世界中のイメージングサイトは、より多用途で手頃な価格のテクノロジーで、より多くの医療スキャンデータを生成する。これらの大規模なデータセットは人間の健康に関する情報をエンコードし、機械学習のトレーニングと分析にかなりの可能性を秘めている。本章は、現在進行中の大規模研究と、それら間の分散シフトの課題について考察する。
論文参考訳（メタデータ） (2024-04-22T16:38:41Z)
Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
論文参考訳（メタデータ） (2023-06-08T09:12:28Z)
SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for prior-informed assessment of muscle function and pathology [48.54269377408277]
本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。 SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。 SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
論文参考訳（メタデータ） (2022-10-28T17:03:04Z)
Artificial Intelligence-Based Methods for Fusion of Electronic Health Records and Imaging Data [0.9749560288448113]
我々は、AI技術を用いて、異なる臨床応用のためにマルチモーダル医療データを融合する文献の合成と分析に重点を置いている。本報告では, 各種核融合戦略, マルチモーダル核融合を用いた疾患, 臨床成績, 利用可能なマルチモーダル医療データセットを包括的に分析する。
論文参考訳（メタデータ） (2022-10-23T07:13:37Z)
Multimodal Machine Learning in Precision Health [10.068890037410316]
本総説は, この分野を要約し, 今後の研究に欠かせない話題を特定するものである。コンテンツ分析と文献検索を組み合わせて,2011年から2021年にかけてPubMed, Google Scholar, IEEEXploreの検索文字列とデータベースを構築した。情報融合の最も一般的な形態は、初期の融合であり、特に、異種データ融合を行う予測性能の改善があった。
論文参考訳（メタデータ） (2022-04-10T21:56:07Z)
Deep learning for temporal data representation in electronic health records: A systematic review of challenges and methodologies [11.584972135829199]
一時的な電子健康記録は、臨床イベント予測や慢性疾患管理など、二次的な用途のための豊富な情報である。我々は,2010年1月1日から2020年8月30日までに,構造化EHRデータにおける時間的データ表現に関する深層学習手法を報告した論文を求めた。データ不規則性、データ不均一性、データの分散性、モデル不透明性を含む4つの大きな課題が特定された。
論文参考訳（メタデータ） (2021-07-21T09:00:40Z)
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)
A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。