論文の概要: Medicinal Boxes Recognition on a Deep Transfer Learning Augmented Reality Mobile Application

• arxiv url: http://arxiv.org/abs/2203.14031v1
• Date: Sat, 26 Mar 2022 09:21:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-03 01:38:11.574949
• Title: Medicinal Boxes Recognition on a Deep Transfer Learning Augmented Reality Mobile Application
• Title（参考訳）: 深層伝達学習拡張現実モバイルアプリケーションにおける医用ボックス認識
• Authors: Danilo Avola, Luigi Cinque, Alessio Fagioli, Gian Luca Foresti, Marco Raoul Marini, Alessio Mecca, Daniele Pannone
• Abstract要約: 我々は,このフレームドメディカルに関する重要な詳細をユーザに提示できる拡張現実モバイルアプリケーションを紹介した。 特に、アプリはディープニューラルネットワークに基づく推論エンジン、すなわち、そのパッケージから薬品を認識するように微調整されたディープネットを実装している。
• 参考スコア（独自算出の注目度）: 23.693329212391845
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Taking medicines is a fundamental aspect to cure illnesses. However, studies have shown that it can be hard for patients to remember the correct posology. More aggravating, a wrong dosage generally causes the disease to worsen. Although, all relevant instructions for a medicine are summarized in the corresponding patient information leaflet, the latter is generally difficult to navigate and understand. To address this problem and help patients with their medication, in this paper we introduce an augmented reality mobile application that can present to the user important details on the framed medicine. In particular, the app implements an inference engine based on a deep neural network, i.e., a densenet, fine-tuned to recognize a medicinal from its package. Subsequently, relevant information, such as posology or a simplified leaflet, is overlaid on the camera feed to help a patient when taking a medicine. Extensive experiments to select the best hyperparameters were performed on a dataset specifically collected to address this task; ultimately obtaining up to 91.30\% accuracy as well as real-time capabilities.
• Abstract（参考訳）: 医学は病気を治すための基本的な側面である。 しかし、研究により、患者が正しいポソロジーを覚えることが困難であることが示されている。 より悪化するが、誤った服用は一般的に病気を悪化させる。 関連する全ての指示は対応する患者情報リーフレットにまとめられているが、後者は一般にナビゲートや理解が困難である。 この問題に対処し,患者を治療支援するために,本論文では,フレーム医薬に関する重要な詳細をユーザに提示する拡張現実モバイルアプリケーションを紹介する。 特にこのアプリは、深層ニューラルネットワーク、すなわち、そのパッケージから薬品を認識するために微調整された高密度ネットワークに基づく推論エンジンを実装している。 その後、カメラフィードにポソロジーや簡易なリーフレットなどの関連情報をオーバーレイして患者が薬を飲むのを助ける。 最適なハイパーパラメータを選択するための広範な実験が、このタスクに対処するために収集されたデータセット上で行われ、最終的に91.30\%の精度とリアルタイム能力を得た。

関連論文リスト

• Personalised Medicine: Establishing predictive machine learning models for drug responses in patient derived cell culture [0.0]
  パーソナライズドメディカルは、しばしばオミクスデータの利用に関連している。 精密医療への別のアプローチは、細胞の機能ベースのプロファイルを採用することである。 ここでは、極めて多様な患者由来の細胞株に対する薬物スクリーニングの集合体を活用して、「新規患者」に対する治療オプションを同定する概念実証を行う。
  論文  参考訳（メタデータ） (2024-08-23T11:58:50Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Large Language Model Distilling Medication Recommendation Model [61.89754499292561]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• DKINet: Medication Recommendation via Domain Knowledge Informed Deep Learning [12.609882335746859]
  医療勧告は、医療の根本的かつ重要な分野である。 これまでの研究は主に電子健康記録から患者の表現を学ぶことに焦点を当ててきた。 本稿では,複雑な臨床症状とドメイン知識の効果的な統合に対処する知識注入モジュールを提案する。
  論文  参考訳（メタデータ） (2023-05-31T07:22:15Z)
• Towards Medical Artificial General Intelligence via Knowledge-Enhanced Multimodal Pretraining [121.89793208683625]
  医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。 我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-26T01:26:19Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge Graph Perspective [4.746544835197422]
  薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。 様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
  論文  参考訳（メタデータ） (2021-02-19T17:49:38Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Knowledge Base Completion for Constructing Problem-Oriented Medical Records [2.789980015306525]
  電子健康記録に機械学習を用いて、関連する薬品、手順、ラボテストの問題をベースとしたグループ化を自動的に構築する方法を示す。 我々は,本アルゴリズムが関連する薬剤,手順,検査を提案できる能力を評価し,本手法がトレーニング中に隠された問題に対しても有効な提案を提供することを確認した。
  論文  参考訳（メタデータ） (2020-04-27T16:05:23Z)
• Deep Learning in Cardiology [0.0]
  医療分野は、医師が解読し、効率的に使用できない大量のデータを作成している。 ディープラーニングは、幅広い医療問題において、より正確で効果的な技術として登場した。 ディープラーニング(Deep Learning)は、データを非線形に変換するレイヤで構成される表現学習手法である。
  論文  参考訳（メタデータ） (2019-02-22T10:09:11Z)

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。