論文の概要: Data Harmonisation for Information Fusion in Digital Healthcare: A
State-of-the-Art Systematic Review, Meta-Analysis and Future Research
Directions
- arxiv url: http://arxiv.org/abs/2201.06505v1
- Date: Mon, 17 Jan 2022 16:30:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 13:27:40.806193
- Title: Data Harmonisation for Information Fusion in Digital Healthcare: A
State-of-the-Art Systematic Review, Meta-Analysis and Future Research
Directions
- Title(参考訳): デジタル医療における情報融合のためのデータ調和--システムレビュー,メタ分析,将来研究の方向性
- Authors: Yang Nan, Javier Del Ser, Simon Walsh, Carola Sch\"onlieb, Michael
Roberts, Ian Selby, Kit Howard, John Owen, Jon Neville, Julien Guiot, Benoit
Ernst, Ana Pastor, Angel Alberich-Bayarri, Marion I. Menzel, Sean Walsh, Wim
Vos, Nina Flerin, Jean-Paul Charbonnier, Eva van Rikxoort, Avishek
Chatterjee, Henry Woodruff, Philippe Lambin, Leonor Cerd\'a-Alberich, Luis
Mart\'i-Bonmat\'i, Francisco Herrera, Guang Yang
- Abstract要約: 本研究は,デジタル医療分野におけるマルチモーダルデータに対する計算データ調和手法を要約することを目的とする。
それは、異なる理論に基づく調和戦略と評価指標を含んでいる。
データ調和研究の一般的な実践を要約した総合的なチェックリストを提案し,研究成果をより効果的に報告するよう指導した。
- 参考スコア(独自算出の注目度): 14.048911592775159
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Removing the bias and variance of multicentre data has always been a
challenge in large scale digital healthcare studies, which requires the ability
to integrate clinical features extracted from data acquired by different
scanners and protocols to improve stability and robustness. Previous studies
have described various computational approaches to fuse single modality
multicentre datasets. However, these surveys rarely focused on evaluation
metrics and lacked a checklist for computational data harmonisation studies. In
this systematic review, we summarise the computational data harmonisation
approaches for multi-modality data in the digital healthcare field, including
harmonisation strategies and evaluation metrics based on different theories. In
addition, a comprehensive checklist that summarises common practices for data
harmonisation studies is proposed to guide researchers to report their research
findings more effectively. Last but not least, flowcharts presenting possible
ways for methodology and metric selection are proposed and the limitations of
different methods have been surveyed for future research.
- Abstract(参考訳): さまざまなスキャナーとプロトコルによって取得されたデータから抽出された臨床機能を統合することで、安定性と堅牢性を改善する必要がある。
以前の研究では、単一モダリティのマルチセンタデータセットを融合する様々な計算手法が記述されている。
しかし、これらの調査は評価メトリクスにほとんど焦点を合わせず、計算データ調和研究のチェックリストを欠いていた。
本稿では,デジタル医療分野におけるマルチモダリティデータの計算データ調和手法について概説する。
また,データ調和研究の共通実践を要約した総合的なチェックリストを提案し,研究成果をより効果的に報告するよう指導した。
最後に,方法論と計量選択の可能な方法を示すフローチャートを提案し,今後の研究のために様々な手法の限界を調査した。
関連論文リスト
- A Comprehensive Survey on Imbalanced Data Learning [45.3186824501823]
不均衡なデータは、さまざまな種類の生データに広まっており、機械学習のパフォーマンスを妨げる。
本調査は,様々な実世界のデータ形式を体系的に分析する。
さまざまなデータフォーマットに関する既存の研究は、データ再バランス、特徴表現、トレーニング戦略、アンサンブル学習の4つのカテゴリにまとめられている。
論文 参考訳(メタデータ) (2025-02-13T04:53:17Z) - Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
がん予後は、患者の予後と生存率を予測する重要なタスクである。
これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。
既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。
第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
論文 参考訳(メタデータ) (2025-01-30T06:49:57Z) - Electronic Health Records: Towards Digital Twins in Healthcare [1.702436955667761]
本章では、医療情報システムの進化と重要性について論じる。
英国と米国における EHR の実施に関する調査から始まる。
国際疾病分類(ICD)システムの概要を概観し、ICD-9からICD-10までの発展を辿る。
この議論の中心はMIMIC-IIIデータベースであり、これは医療データ共有における目覚ましい業績であり、世界中の研究者が自由に利用できる最も包括的なクリティカルケアデータベースである。
論文 参考訳(メタデータ) (2025-01-16T16:30:02Z) - A Comprehensive Survey on Data Augmentation [55.355273602421384]
データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する技術である。
既存の文献調査では、特定のモダリティデータにのみ焦点が当てられている。
本稿では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。
論文 参考訳(メタデータ) (2024-05-15T11:58:08Z) - Out-of-distribution Detection in Medical Image Analysis: A survey [12.778646136644399]
コンピュータ支援診断は、ディープラーニングベースのコンピュータビジョン技術の発展の恩恵を受けている。
従来の教師付きディープラーニング手法は、テストサンプルがトレーニングデータと同じ分布から引き出されることを前提としている。
実際の臨床シナリオでは分布外のサンプルに遭遇し、深層学習に基づく医用画像解析タスクにおいてサイレント障害を引き起こす可能性がある。
論文 参考訳(メタデータ) (2024-04-28T18:51:32Z) - A Survey on Data Selection for Language Models [148.300726396877]
データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。
ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。
広範なデータ選択研究のリソースを持つ組織はほとんどない。
論文 参考訳(メタデータ) (2024-02-26T18:54:35Z) - Recent Methodological Advances in Federated Learning for Healthcare [3.1548606374130026]
フェデレートされた学習は、データのプールを必要とせずに、強力な機械学習アルゴリズムの利用を可能にする。
本稿では,2015年1月から2023年2月にかけて発行されたスコパスに関するすべての論文について考察する。
論文 参考訳(メタデータ) (2023-10-04T15:09:40Z) - Towards Assessing Data Bias in Clinical Trials [0.0]
医療データセットはデータバイアスの影響を受けます。
データバイアスは現実の歪んだ見方を与え、誤った分析結果をもたらし、結果として決定を下す。
i)データセットに存在する可能性のあるデータバイアスの種類を定義し、(ii)適切なメトリクスでデータバイアスを特徴付け、定量化し、(iii)異なるデータソースに対してデータバイアスを特定し、測定し、緩和するためのガイドラインを提供する。
論文 参考訳(メタデータ) (2022-12-19T17:10:06Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳(メタデータ) (2022-07-18T11:38:32Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳(メタデータ) (2021-07-05T16:32:45Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳(メタデータ) (2020-07-07T21:04:55Z)
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。