論文の概要: UniHPF : Universal Healthcare Predictive Framework with Zero Domain Knowledge

• arxiv url: http://arxiv.org/abs/2207.09858v1
• Date: Wed, 20 Jul 2022 12:46:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-21 14:01:34.247989
• Title: UniHPF : Universal Healthcare Predictive Framework with Zero Domain Knowledge
• Title（参考訳）: UniHPF : ドメイン知識をゼロにするユニバーサルヘルスケア予測フレームワーク
• Authors: Kyunghoon Hur, Jungwoo Oh, Junu Kim, Min Jae Lee, Eunbyeol Choi, Jiyoun Kim, Seong-Eun Moon, Young-Hak Kim, Edward Choi
• Abstract要約: Universal Healthcare Predictive Framework (UniHPF)は、大規模なEHRモデルを構築することができる。 我々のフレームワークは、マルチソース学習タスクにおいてベースラインモデルよりも大幅に優れています。
• 参考スコア（独自算出の注目度）: 7.312345319231457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the abundance of Electronic Healthcare Records (EHR), its heterogeneity restricts the utilization of medical data in building predictive models. To address this challenge, we propose Universal Healthcare Predictive Framework (UniHPF), which requires no medical domain knowledge and minimal pre-processing for multiple prediction tasks. Experimental results demonstrate that UniHPF is capable of building large-scale EHR models that can process any form of medical data from distinct EHR systems. Our framework significantly outperforms baseline models in multi-source learning tasks, including transfer and pooled learning, while also showing comparable results when trained on a single medical dataset. To empirically demonstrate the efficacy of our work, we conducted extensive experiments using various datasets, model structures, and tasks. We believe that our findings can provide helpful insights for further research on the multi-source learning of EHRs.
• Abstract（参考訳）: 電子医療記録(EHR)が豊富にあるにもかかわらず、その異質性は予測モデルの構築における医療データの利用を制限する。 この課題に対処するために、医療分野の知識を必要とせず、複数の予測タスクに対して最小限の事前処理を行うUniHPF(UniHPF)を提案する。 実験結果から、UniHPF は、異なる EHR システムから任意の形態の医療データを処理できる大規模な EHR モデルを構築することができることが示された。 我々のフレームワークは、転送やプール学習を含むマルチソース学習タスクにおけるベースラインモデルよりも大幅に優れており、一方、単一の医療データセットでトレーニングされた場合と同等の結果を示している。 本研究の有効性を実証するために,様々なデータセット,モデル構造,タスクを用いて広範な実験を行った。 EHRのマルチソース学習のさらなる研究に有用な知見が得られると我々は信じている。

関連論文リスト

• MEDS-Tab: Automated tabularization and baseline methods for MEDS datasets [2.8209943093430443]
  この作業は、MEDSフレームワークによるコアデータ標準化の補完的な進歩によって実現されている。 我々は、不規則にサンプリングされた時系列データを著しく単純化し、加速する。 このシステムは、多様なデータセットと臨床設定にわたる健康問題に対する強力なMLソリューションの開発において、信頼性、スケーラビリティ、容易性を大幅に向上する。
  論文  参考訳（メタデータ） (2024-10-31T20:36:37Z)
• Automated Multi-Task Learning for Joint Disease Prediction on Electronic Health Records [4.159498069487535]
  本稿では,タスクグループとアーキテクチャの最適構成を同時に検索できるAutoDPという自動手法を提案する。 ハンドクラフトと自動化された最先端の手法の両方に対して大幅な性能向上を実現し、同時に検索コストを同時に維持する。
  論文  参考訳（メタデータ） (2024-03-06T22:32:48Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Active learning using adaptable task-based prioritisation [7.0002224852386545]
  我々は,バッチモードのアクティブ学習のように,バッチ列内の画像の優先度を測定するコントローラニューラルネットワークを開発した。 メタ強化学習アルゴリズムは複数のMDPを用いて提案され、事前学習したコントローラを新しいMDPに適応させることができる。 提案法により, 腎臓の新しい分類のセグメンテーション精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-12-03T22:37:38Z)
• Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
  プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。 本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。 提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
  論文  参考訳（メタデータ） (2022-03-23T17:59:45Z)
• Pre-training transformer-based framework on large-scale pediatric claims data for downstream population-specific tasks [3.1580072841682734]
  本研究は、小児科のクレームデータセット全体をトレーニングする一般的な事前学習モデルであるClaim Pre-Training(Claim-PT)フレームワークを提案する。 効果的な知識伝達はタスク対応微調整段階を通じて完了する。 我々は100万人以上の患者記録を持つ実世界のクレームデータセットの実験を行った。
  論文  参考訳（メタデータ） (2021-06-24T15:25:41Z)
• Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
  マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。 ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。 マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
  論文  参考訳（メタデータ） (2020-12-29T23:43:16Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。