論文の概要: AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning

• arxiv url: http://arxiv.org/abs/2210.12090v1
• Date: Fri, 21 Oct 2022 16:31:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 13:50:40.328651
• Title: AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning
• Title（参考訳）: AutoPrognosis 2.0: 自動機械学習による医療における診断・予後モデリングの民主化
• Authors: Fergus Imrie, Bogdan Cebere, Eoin F. McKinney, Mihaela van der Schaar
• Abstract要約: 本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
• 参考スコア（独自算出の注目度）: 72.2614468437919
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diagnostic and prognostic models are increasingly important in medicine and inform many clinical decisions. Recently, machine learning approaches have shown improvement over conventional modeling techniques by better capturing complex interactions between patient covariates in a data-driven manner. However, the use of machine learning introduces a number of technical and practical challenges that have thus far restricted widespread adoption of such techniques in clinical settings. To address these challenges and empower healthcare professionals, we present a machine learning framework, AutoPrognosis 2.0, to develop diagnostic and prognostic models. AutoPrognosis leverages state-of-the-art advances in automated machine learning to develop optimized machine learning pipelines, incorporates model explainability tools, and enables deployment of clinical demonstrators, without requiring significant technical expertise. Our framework eliminates the major technical obstacles to predictive modeling with machine learning that currently impede clinical adoption. To demonstrate AutoPrognosis 2.0, we provide an illustrative application where we construct a prognostic risk score for diabetes using the UK Biobank, a prospective study of 502,467 individuals. The models produced by our automated framework achieve greater discrimination for diabetes than expert clinical risk scores. Our risk score has been implemented as a web-based decision support tool and can be publicly accessed by patients and clinicians worldwide. In addition, AutoPrognosis 2.0 is provided as an open-source python package. By open-sourcing our framework as a tool for the community, clinicians and other medical practitioners will be able to readily develop new risk scores, personalized diagnostics, and prognostics using modern machine learning techniques.
• Abstract（参考訳）: 診断および予後モデルは、医療においてますます重要になり、多くの臨床的決定を伝える。 近年,患者共変量間の複雑な相互作用をデータ駆動方式でよりよく捉えることで,従来のモデリング手法よりも優れた機械学習手法が示されている。 しかし、機械学習の利用は、これまで臨床現場で広く採用されてきた技術や実践上の課題を数多く導入している。 これらの課題に対処し、医療専門家に力を与えるために、診断および予後モデルを開発するための機械学習フレームワークautoprognosis 2.0を提案する。 autoprognosisは、自動化機械学習の最先端の進歩を活用して、最適化されたマシンラーニングパイプラインを開発し、モデル説明ツールを導入し、重要な技術的専門知識を必要とせずに、臨床デモンストレータのデプロイを可能にする。 当社のフレームワークは、現在臨床採用を妨げるマシンラーニングによる予測モデリングの主要な技術的障害を排除します。 AutoPrognosis 2.0を実証するために,502,467人の個人を対象とした英国バイオバンクを用いて,糖尿病の予後リスクスコアを構築する。 自動フレームワークによって生成されたモデルは、専門的な臨床リスクスコアよりも糖尿病の差別性が高い。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。 さらにAutoPrognosis 2.0はオープンソースのpythonパッケージとして提供されている。 コミュニティのためのツールとしての私たちのフレームワークをオープンソース化することで、臨床医や他の医療従事者は、最新の機械学習技術を使用して、新しいリスクスコア、パーソナライズされた診断、および予後を簡単に開発できるようになります。

関連論文リスト

• Automated Ensemble Multimodal Machine Learning for Healthcare [52.500923923797835]
  本稿では,自動機械学習を用いた構造化臨床(タブラル)データと医用画像の統合を実現するマルチモーダルフレームワークAutoPrognosis-Mを紹介する。 AutoPrognosis-Mには、畳み込みニューラルネットワークとビジョントランスフォーマーを含む17のイメージングモデルと、3つの異なるマルチモーダル融合戦略が含まれている。
  論文  参考訳（メタデータ） (2024-07-25T17:46:38Z)
• A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
  本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。 モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
  論文  参考訳（メタデータ） (2024-07-07T18:02:00Z)
• An Interpretable Deep Learning Approach for Skin Cancer Categorization [0.0]
  我々は、皮膚がん検出の問題に対処するために、現代のディープラーニング手法と説明可能な人工知能(XAI)アプローチを使用する。 皮膚病変の分類には,XceptionNet,EfficientNetV2S,InceptionResNetV2,EfficientNetV2Mの4つの最先端事前訓練モデルを用いる。 我々の研究は、ディープラーニングと説明可能な人工知能(XAI)が皮膚がんの診断をどのように改善するかを示している。
  論文  参考訳（メタデータ） (2023-12-17T12:11:38Z)
• XAI Renaissance: Redefining Interpretability in Medical Diagnostic Models [0.0]
  XAIルネッサンスは、医療診断モデルの解釈可能性を再定義することを目的としている。 XAI技術は、医療専門家にこれらのモデルを正確で信頼性の高い診断に理解し、信頼し、効果的に活用することを可能にする。
  論文  参考訳（メタデータ） (2023-06-02T16:42:20Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• Quantifying machine learning-induced overdiagnosis in sepsis [0.0]
  オーバー診断の可能性を事前に検出できる革新的なアプローチを提案する。 これは、機械学習による過剰診断を定量化する最初の試みの1つである。
  論文  参考訳（メタデータ） (2021-07-03T11:55:55Z)
• Machine learning-based clinical prediction modeling -- A practical guide for clinicians [0.0]
  機械学習や人工知能に関連する原稿の数は、ここ数年で指数関数的に増えている。 第1節では、機械学習の一般的な原理について解説する。 さらに,再サンプリング,オーバーフィッティング,モデル一般化性の重要性とモデル評価戦略を概観する。
  論文  参考訳（メタデータ） (2020-06-23T20:11:37Z)

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。