論文の概要: A Methodology for a Scalable, Collaborative, and Resource-Efficient
Platform to Facilitate Healthcare AI Research
- arxiv url: http://arxiv.org/abs/2112.06883v1
- Date: Mon, 13 Dec 2021 18:39:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 18:37:01.500731
- Title: A Methodology for a Scalable, Collaborative, and Resource-Efficient
Platform to Facilitate Healthcare AI Research
- Title（参考訳）: 医療AI研究を支援するスケーラブルで協調的で資源効率の良いプラットフォームのための方法論
- Authors: Raphael Y. Cohen and Vesela P. Kovacheva
- Abstract要約: 本稿では,データ取得,データセット開発と分析,AIモデル開発を高速化するシステムを提案する。
このシステムは、1時間に15,000人の患者記録を取り込み、各記録は何千もの測定値、テキストノート、高解像度のデータを表す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Healthcare AI holds the potential to increase patient safety, augment
efficiency and improve patient outcomes, yet research is often limited by data
access, cohort curation, and tooling for analysis. Collection and translation
of electronic health record data, live data, and real-time high resolution
device data can be challenging and time-consuming. The development of
real-world AI tools requires overcoming challenges in data acquisition, scarce
hospital resources and high needs for data governance. These bottlenecks may
result in resource-heavy needs and long delays in research and development of
AI systems. We present a system and methodology to accelerate data acquisition,
dataset development and analysis, and AI model development. We created an
interactive platform that relies on a scalable microservice backend. This
system can ingest 15,000 patient records per hour, where each record represents
thousands of multimodal measurements, text notes, and high resolution data.
Collectively, these records can approach a terabyte of data. The system can
further perform cohort generation and preliminary dataset analysis in 2-5
minutes. As a result, multiple users can collaborate simultaneously to iterate
on datasets and models in real time. We anticipate that this approach will
drive real-world AI model development, and, in the long run, meaningfully
improve healthcare delivery.
- Abstract（参考訳）: 医療AIは、患者の安全性を高め、効率を向上し、患者の結果を改善する可能性を秘めているが、データアクセス、コホートキュレーション、分析のためのツールによって研究は制限されることが多い。
電子健康記録データ、ライブデータ、リアルタイム高解像度デバイスデータの収集と翻訳は、困難かつ時間を要する可能性がある。
現実世界のaiツールの開発には、データ取得における課題の克服、病院リソースの不足、データガバナンスに対する高いニーズが必要である。
これらのボトルネックは、AIシステムの研究と開発において、リソースの重いニーズと長い遅延をもたらす可能性がある。
本稿では,データ取得,データセット開発と分析,AIモデル開発を高速化するシステムと方法論を提案する。
スケーラブルなマイクロサービスバックエンドに依存するインタラクティブなプラットフォームを開発しました。
このシステムは、1時間に15,000の患者記録を取り込み、各記録は数千のマルチモーダル測定、テキストノート、高解像度データを表す。
まとめると、これらのレコードはテラバイトのデータに近づきます。
さらに2-5分でコホート生成と予備データセット解析を行うことができる。
その結果、複数のユーザが同時に協力して、データセットやモデルをリアルタイムでイテレーションすることが可能になった。
このアプローチが現実世界のaiモデル開発を促進し、長期的には医療提供を有意義に改善することを期待しています。
関連論文リスト
- Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - 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) - README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。
このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。
また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
論文 参考訳（メタデータ） (2023-12-24T23:01:00Z) - Building Flexible, Scalable, and Machine Learning-ready Multimodal
Oncology Datasets [17.774341783844026]
本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。
MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。
MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
論文 参考訳（メタデータ） (2023-09-30T15:44:39Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Data-centric Artificial Intelligence: A Survey [47.24049907785989]
近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。
本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。
これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
論文 参考訳（メタデータ） (2023-03-17T17:44:56Z) - Deep Learning and Handheld Augmented Reality Based System for Optimal
Data Collection in Fault Diagnostics Domain [0.0]
本稿では,最小限のデータを用いて故障診断を行う新しいヒューマン・マシン・インタラクション・フレームワークを提案する。
必要なデータの最小化は、障害の診断におけるデータ駆動モデルの実践可能性を高める。
提案するフレームワークは,各障害条件のインスタンスが1つしかない新しいデータセットに対して,100%以上の精度とリコールを提供する。
論文 参考訳（メタデータ） (2022-06-15T19:15:26Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - Synthetic Data: Opening the data floodgates to enable faster, more
directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。
多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。
プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文 参考訳（メタデータ） (2020-12-08T17:26:10Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - A Deep Learning Pipeline for Patient Diagnosis Prediction Using
Electronic Health Records [0.5672132510411464]
我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。
複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。
どちらのモデルも高い精度で複数の診断を同時に予測できる。
論文 参考訳（メタデータ） (2020-06-23T14:58:58Z)
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。