論文の概要: SIBILA: High-performance computing and interpretable machine learning
join efforts toward personalised medicine in a novel decision-making tool
- arxiv url: http://arxiv.org/abs/2205.06234v1
- Date: Thu, 12 May 2022 17:23:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-05-13 12:27:02.634573
- Title: SIBILA: High-performance computing and interpretable machine learning
join efforts toward personalised medicine in a novel decision-making tool
- Title（参考訳）: SIBILA:新しい意思決定ツールにおける個人化医療に向けた高性能コンピューティングと解釈可能な機械学習の連携
- Authors: Antonio Jes\'us Banegas-Luna, Horacio P\'erez-S\'anchez
- Abstract要約: いくつかの機械学習およびディープラーニングモデルは、単一のソフトウェアツールであるSIBILAに実装されている。
モデルがトレーニングされると、SIBILAは様々な解釈可能性手法を適用して、各モデルが予測する最も重要な入力特徴を特定する。
得られた全ての特徴は、各変数のグローバルな属性を予測に当てはめるために共通に置かれる。
- 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: Background and Objectives: Personalised medicine remains a major challenge
for scientists. The rapid growth of Machine learning and Deep learning has made
it a feasible alternative for predicting the most appropriate therapy for
individual patients. However, the lack of interpretation of their results and
high computational requirements make many reluctant to use these methods.
Methods: Several Machine learning and Deep learning models have been
implemented into a single software tool, SIBILA. Once the models are trained,
SIBILA applies a range of interpretability methods to identify the input
features that each model considered the most important to predict. In addition,
all the features obtained are put in common to estimate the global attribution
of each variable to the predictions. To facilitate its use by non-experts,
SIBILA is also available to all users free of charge as a web server at
https://bio-hpc.ucam.edu/sibila/.
Results: SIBILA has been applied to three case studies to show its accuracy
and efficiency in classification and regression problems. The first two cases
proved that SIBILA can make accurate predictions even on uncleaned datasets.
The last case demonstrates that SIBILA can be applied to medical contexts with
real data.
Conclusion: With the aim of becoming a powerful decision-making tool for
clinicians, SIBILA has been developed. SIBILA is a novel software tool that
leverages interpretable machine learning to make accurate predictions and
explain how models made those decisions. SIBILA can be run on high-performance
computing platforms, drastically reducing computing times.
- Abstract（参考訳）: 背景と目的: パーソナライズド・メディカルは科学者にとって大きな課題である。
機械学習とディープラーニングの急速な成長は、個々の患者に対する最も適切な治療を予測するための有効な代替手段となった。
しかし、結果の解釈の欠如と高い計算量要求により、多くの人はこれらの手法の使用を嫌がる。
メソッド: いくつかの機械学習およびディープラーニングモデルは、単一のソフトウェアツールであるSIBILAに実装されている。
モデルがトレーニングされると、SIBILAは様々な解釈可能性手法を適用して、各モデルが予測する最も重要な入力特徴を特定する。
さらに、得られた全ての機能は、予測に対する各変数のグローバル帰属を推定するために共通に置かれる。
非専門家による利用を容易にするため、sibilaはhttps://bio-hpc.ucam.edu/sibila/のwebサーバとして無料で利用できる。
結果:SIBILAは分類問題と回帰問題における精度と効率を示すために3つのケーススタディに適用された。
最初の2つのケースは、SIBILAが不正なデータセットでも正確な予測ができることを示した。
最後のケースでは、SIBILAが実際のデータを用いて医療状況に適用可能であることを示す。
結論: 臨床医のための強力な意思決定ツールを目指してSIBILAが開発された。
SIBILAは、解釈可能な機械学習を利用して正確な予測を行い、モデルがどのように意思決定を行ったかを説明する新しいソフトウェアツールである。
SIBILAは高性能コンピューティングプラットフォーム上で実行でき、計算時間を劇的に削減できる。
関連論文リスト
- Medical artificial intelligence toolbox (MAIT): an explainable machine learning framework for binary classification, survival modelling, and regression analyses [0.0]
Medical Artificial Intelligence Toolbox (MAIT)は、バイナリ分類、回帰、サバイバルモデルの開発と評価のための、説明可能なオープンソースのPythonパイプラインである。
MAITは、レポートの透明性を促進しながら、重要な課題(例えば、高次元性、クラス不均衡、混合変数型、欠如)に対処する。
医療研究におけるMLモデルの実装と解釈を改善するために、MAITをどのように使用できるかを示すために、4つのオープンアクセスデータセットを使用して、GitHubで詳細なチュートリアルを提供している。
論文 参考訳（メタデータ） (2025-01-08T14:51:36Z) - Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。
特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。
また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
論文 参考訳（メタデータ） (2024-04-27T05:03:42Z) - EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。
本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
論文 参考訳（メタデータ） (2024-03-27T02:24:38Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models
in Medicine [55.29668193415034]
マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。
これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。
様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
論文 参考訳（メタデータ） (2024-02-28T03:51:02Z) - Yet Another ICU Benchmark: A Flexible Multi-Center Framework for Clinical ML [0.7982607013768545]
Another ICU Benchmark (YAIB) は、再現性と同等の臨床ML実験を定義するためのモジュラーフレームワークである。
YAIBは、ほとんどのオープンアクセスICUデータセット(MIMIC III/IV、eICU、HiRID、AUMCdb)をサポートし、将来のICUデータセットに容易に適応できる。
データセットの選択,コホート定義,前処理が予測性能に大きな影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2023-06-08T11:16:20Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳（メタデータ） (2022-07-20T07:32:02Z) - BERT WEAVER: Using WEight AVERaging to enable lifelong learning for
transformer-based models in biomedical semantic search engines [49.75878234192369]
We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。
WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
論文 参考訳（メタデータ） (2022-02-21T10:34:41Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - When will the mist clear? On the Interpretability of Machine Learning
for Medical Applications: a survey [0.056212519098516295]
医学に適用された現在の機械学習モデル、フレームワーク、データベース、その他の関連ツールを分析します。
利用可能な証拠から、ANN、LR、SVMが好ましいモデルであることが観察されている。
本稿では,その解釈可能性,性能,必要な入力データについて論じる。
論文 参考訳（メタデータ） (2020-10-01T12:42:06Z) - PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。
これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
論文 参考訳（メタデータ） (2020-02-13T10:33:05Z)
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。