論文の概要: SIBILA: A novel interpretable ensemble of general-purpose machine
learning models applied to medical contexts
- arxiv url: http://arxiv.org/abs/2205.06234v2
- Date: Thu, 27 Apr 2023 15:25:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 17:35:09.425465
- Title: SIBILA: A novel interpretable ensemble of general-purpose machine
learning models applied to medical contexts
- Title（参考訳）: SIBILA:医学的文脈に適用された汎用機械学習モデルの解釈可能な新しいアンサンブル
- Authors: Antonio Jes\'us Banegas-Luna, Horacio P\'erez-S\'anchez
- Abstract要約: SIBILAは、機械学習とディープラーニングモデルのアンサンブルである。
これは、最も関連する入力特徴を特定するために、様々な解釈可能性アルゴリズムを適用している。
2つの医学ケーススタディに適用され、分類問題における予測能力を示している。
- 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: Personalized medicine remains a major challenge for scientists. The rapid
growth of Machine learning and Deep learning has made them a feasible al-
ternative for predicting the most appropriate therapy for individual patients.
However, the need to develop a custom model for every dataset, the lack of
interpretation of their results and high computational requirements make many
reluctant to use these methods. Aiming to save time and bring light to the way
models work internally, SIBILA has been developed. SIBILA is an ensemble of
machine learning and deep learning models that applies a range of
interpretability algorithms to identify the most relevant input features. Since
the interpretability algo- rithms may not be in line with each other, a
consensus stage has been imple- mented to estimate the global attribution of
each variable to the predictions. SIBILA is containerized to be run on any
high-performance computing plat- form. Although conceived as a command-line
tool, it is also available to all users free of charge as a web server at
https://bio-hpc.ucam.edu/sibila. Thus, even users with few technological skills
can take advantage of it. SIBILA has been applied to two medical case studies
to show its ability to predict in classification problems. Even though it is a
general-purpose tool, it has been developed with the aim of becoming a powerful
decision-making tool for clinicians, but can actually be used in many other
domains. Thus, other two non-medical examples are supplied as supplementary
material to prove that SIBILA still works well with noise and in regression
problems.
- Abstract（参考訳）: 個人化医学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、個々の患者にとって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、データセットごとにカスタムモデルを開発する必要性、結果の解釈の欠如、高い計算要求が、これらの手法の使用に消極的である。
時間を節約し、モデルの内部動作に光をもたらすことを目的としてSIBILAが開発された。
SIBILAは、最も関連する入力特徴を特定するために、さまざまな解釈可能性アルゴリズムを適用する機械学習とディープラーニングモデルのアンサンブルである。
解釈可能性algo-rithmは互いに一致しない可能性があるので、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コンセンサス段階が差し迫っている。
SIBILAはコンテナ化されており、どんな高性能コンピューティングプラモデルでも動作する。
コマンドラインツールとして考案されたが、https://bio-hpc.ucam.edu/sibila.webサーバとして無料で利用できる。
したがって、技術的スキルの少ないユーザでさえ、それを活用できる。
SIBILAは2つの医学ケーススタディに適用され、分類問題における予測能力を示している。
汎用的なツールであるにもかかわらず、臨床医の強力な意思決定ツールになることを目的として開発されたが、実際には他の多くの領域で利用することができる。
したがって、SIBILAがノイズや回帰問題にうまく対応していることを証明するために、他の2つの非医学的な例が補助材料として提供される。
関連論文リスト
- 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。