論文の概要: Best Practices and Scoring System on Reviewing A.I. based Medical Imaging Papers: Part 1 Classification

• arxiv url: http://arxiv.org/abs/2202.01863v1
• Date: Thu, 3 Feb 2022 21:46:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-08 02:33:18.881906
• Title: Best Practices and Scoring System on Reviewing A.I. based Medical Imaging Papers: Part 1 Classification
• Title（参考訳）: A.I.をベースとした医用画像用紙のベストプラクティスと検査システム:その1 分類
• Authors: Timothy L. Kline, Felipe Kitamura, Ian Pan, Amine M. Korchi, Neil Tenenholtz, Linda Moy, Judy Wawira Gichoya, Igor Santos, Steven Blumer, Misha Ysabel Hwang, Kim-Ann Git, Abishek Shroff, Elad Walach, George Shih, Steve Langer
• Abstract要約: SIIMの機械学習教育サブミッションは、これらの研究をレビューするためのガイドラインを確立するための知識ギャップと深刻な必要性を特定している。 このシリーズの最初のエントリは、画像分類のタスクに焦点を当てている。 このシリーズの目的は、A.I.をベースとした医療画像のレビュープロセスを改善するためのリソースを提供することである。
• 参考スコア（独自算出の注目度）: 0.9428556282541211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the recent advances in A.I. methodologies and their application to medical imaging, there has been an explosion of related research programs utilizing these techniques to produce state-of-the-art classification performance. Ultimately, these research programs culminate in submission of their work for consideration in peer reviewed journals. To date, the criteria for acceptance vs. rejection is often subjective; however, reproducible science requires reproducible review. The Machine Learning Education Sub-Committee of SIIM has identified a knowledge gap and a serious need to establish guidelines for reviewing these studies. Although there have been several recent papers with this goal, this present work is written from the machine learning practitioners standpoint. In this series, the committee will address the best practices to be followed in an A.I.-based study and present the required sections in terms of examples and discussion of what should be included to make the studies cohesive, reproducible, accurate, and self-contained. This first entry in the series focuses on the task of image classification. Elements such as dataset curation, data pre-processing steps, defining an appropriate reference standard, data partitioning, model architecture and training are discussed. The sections are presented as they would be detailed in a typical manuscript, with content describing the necessary information that should be included to make sure the study is of sufficient quality to be considered for publication. The goal of this series is to provide resources to not only help improve the review process for A.I.-based medical imaging papers, but to facilitate a standard for the information that is presented within all components of the research study. We hope to provide quantitative metrics in what otherwise may be a qualitative review process.
• Abstract（参考訳）: 近年のai方法論の進歩と医用イメージングへの応用により、これらの技術を用いて最先端の分類性能を実現する関連研究プログラムが急増している。 最終的に、これらの研究プログラムは、ピアレビューされたジャーナルで検討するために彼らの研究の提出に結実した。 現在、受理と拒絶の基準はしばしば主観的であるが、再現可能な科学には再現可能なレビューが必要である。 SIIMの機械学習教育サブミッションは、これらの研究をレビューするためのガイドラインを確立するための知識ギャップと深刻な必要性を特定している。 この目標に関する最近の論文はいくつかあるが、本稿は機械学習の実践者の視点から書かれている。 このシリーズでは、委員会は、a.i.ベースの研究で従うべきベストプラクティスを取り上げ、研究の結束性、再現性、正確性、自己完結性を持たせるために何を含むべきかの例と議論の観点で必要なセクションを提示する。 このシリーズの最初のエントリは、画像分類のタスクに焦点を当てている。 データセットキュレーション、データ前処理ステップ、適切な参照標準の定義、データのパーティショニング、モデルアーキテクチャ、トレーニングなどの要素について議論する。 セクションは、典型的な写本で詳述されるように提示され、研究が出版のために考慮されるのに十分な品質であることを保証するために必要な情報を記載した内容である。 このシリーズの目的は、A.I.ベースの医療イメージング論文のレビュープロセスを改善するだけでなく、研究研究のすべてのコンポーネントで提示される情報の標準化を促進するためのリソースを提供することである。 定性的なレビュープロセスである可能性のあるものについて、定量的なメトリクスを提供したいと思っています。

関連論文リスト

• Why do you cite? An investigation on citation intents and decision-making classification processes [1.7812428873698407]
  本研究は,引用意図を信頼して分類することの重要性を強調する。 本稿では,citation Intent Classification (CIC) のための高度なアンサンブル戦略を用いた研究について述べる。 我々のモデルの1つは、SciCiteベンチマークで89.46%のマクロF1スコアを持つ新しい最先端(SOTA)として設定されている。
  論文  参考訳（メタデータ） (2024-07-18T09:29:33Z)
• Literature Filtering for Systematic Reviews with Transformers [0.0]
  特定のトピックに関する重要な研究項目を特定するのに必要な時間に関して、負担が増大する。 本研究では,自然言語記述として提案される研究課題に適合する汎用フィルタリングシステムを構築する方法を提案する。 以上の結果から, バイオメディカル文献に基づいて事前学習したトランスフォーマーモデルにおいて, 特定のタスクを微調整したトランスフォーマーモデルにより, この問題に対する有望な解決策が得られた。
  論文  参考訳（メタデータ） (2024-05-30T02:55:49Z)
• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [58.6354685593418]
  本稿では, レビューを評価するために, 記事レベル, フィールド正規化, 大規模言語モデルを用いた書誌指標を提案する。 新たに登場したAI生成の文献レビューも評価されている。 この研究は、文学レビューの現在の課題についての洞察を与え、彼らの開発に向けた今後の方向性を思い起こさせる。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• Zero-shot Generative Large Language Models for Systematic Review Screening Automation [55.403958106416574]
  本研究では,ゼロショット大言語モデルを用いた自動スクリーニングの有効性について検討した。 本研究では, 8種類のLCMの有効性を評価し, 予め定義されたリコール閾値を用いた校正手法について検討する。
  論文  参考訳（メタデータ） (2024-01-12T01:54:08Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• Neural Rankers for Effective Screening Prioritisation in Medical Systematic Review Literature Search [31.797257552928336]
  本稿では,事前学習した言語モデルを,体系的なレビュー文書ランキングタスクに適用する。 経験的分析は、このタスクの従来の方法と比較して、ニューラルネットワークがいかに効果的かを比較する。 以上の結果から,BERTをベースとしたランカは,現在のスクリーニング方法よりも優れていた。
  論文  参考訳（メタデータ） (2022-12-18T05:26:40Z)
• Mirror Matching: Document Matching Approach in Seed-driven Document Ranking for Medical Systematic Reviews [31.3220495275256]
  文書ランキングとは、関係する文書が無関係のものよりも上位にある文書ランキングを提供することによって研究者を支援する手法である。 本稿では,医用要約テキスト間のマッチングスコアを共通記述パターンを組み込んで計算するミラーマッチング(Mirror Matching)という文書マッチング尺度を提案する。
  論文  参考訳（メタデータ） (2021-12-28T22:27:52Z)
• 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)
• A Systematic Literature Review of Empiricism and Norms of Reporting in Computing Education Research Literature [4.339510167603376]
  本研究の目的は,コンピュータ教育研究(CER)文学における経験主義の報告を特徴付けることである。 2014年と2015年に5つのCER会場で427件の論文のSLRを行った。 80%以上の論文がある種の経験的評価をしていた。
  論文  参考訳（メタデータ） (2021-07-02T16:37:29Z)
• What is the State of the Art of Computer Vision-Assisted Cytology? A Systematic Literature Review [47.42354724922676]
  現在,細胞診に応用されているコンピュータビジョン技術の現状を明らかにするために,システマティック文献レビューを実施している。 分析された研究で最も使われている方法は深層学習(70論文)であるが、古典的なコンピュータビジョンのみ(101論文)を使用するものは少ない。 結論として,多くの染色に対して高品質なデータセットがまだ存在せず,ほとんどの研究は日常的な臨床診断ルーチンに適用できるほど成熟していない。
  論文  参考訳（メタデータ） (2021-05-24T13:50:45Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)

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。