論文の概要: MONAI: An open-source framework for deep learning in healthcare
- arxiv url: http://arxiv.org/abs/2211.02701v1
- Date: Fri, 4 Nov 2022 18:35:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 15:06:56.605724
- Title: MONAI: An open-source framework for deep learning in healthcare
- Title（参考訳）: MONAI:医療の深層学習のためのオープンソースのフレームワーク
- Authors: M. Jorge Cardoso, Wenqi Li, Richard Brown, Nic Ma, Eric Kerfoot,
Yiheng Wang, Benjamin Murrey, Andriy Myronenko, Can Zhao, Dong Yang, Vishwesh
Nath, Yufan He, Ziyue Xu, Ali Hatamizadeh, Andriy Myronenko, Wentao Zhu, Yun
Liu, Mingxin Zheng, Yucheng Tang, Isaac Yang, Michael Zephyr, Behrooz
Hashemian, Sachidanand Alle, Mohammad Zalbagi Darestani, Charlie Budd, Marc
Modat, Tom Vercauteren, Guotai Wang, Yiwen Li, Yipeng Hu, Yunguan Fu,
Benjamin Gorman, Hans Johnson, Brad Genereaux, Barbaros S. Erdal, Vikash
Gupta, Andres Diaz-Pinto, Andre Dourson, Lena Maier-Hein, Paul F. Jaeger,
Michael Baumgartner, Jayashree Kalpathy-Cramer, Mona Flores, Justin Kirby,
Lee A.D. Cooper, Holger R. Roth, Daguang Xu, David Bericat, Ralf Floca, S.
Kevin Zhou, Haris Shuaib, Keyvan Farahani, Klaus H. Maier-Hein, Stephen
Aylward, Prerna Dogra, Sebastien Ourselin, Andrew Feng
- Abstract要約: この研究は、医療におけるディープラーニングのための、フリーで、コミュニティが支援し、コンソーシアムが主導するPyTorchベースのフレームワークであるMONAIを紹介している。
MonAIはソフトウェア開発のベストプラクティスに従い、使いやすく、堅牢で、文書化され、十分にテストされたソフトウェアフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 24.465436846127762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) is having a tremendous impact across most areas
of science. Applications of AI in healthcare have the potential to improve our
ability to detect, diagnose, prognose, and intervene on human disease. For AI
models to be used clinically, they need to be made safe, reproducible and
robust, and the underlying software framework must be aware of the
particularities (e.g. geometry, physiology, physics) of medical data being
processed. This work introduces MONAI, a freely available, community-supported,
and consortium-led PyTorch-based framework for deep learning in healthcare.
MONAI extends PyTorch to support medical data, with a particular focus on
imaging, and provide purpose-specific AI model architectures, transformations
and utilities that streamline the development and deployment of medical AI
models. MONAI follows best practices for software-development, providing an
easy-to-use, robust, well-documented, and well-tested software framework. MONAI
preserves the simple, additive, and compositional approach of its underlying
PyTorch libraries. MONAI is being used by and receiving contributions from
research, clinical and industrial teams from around the world, who are pursuing
applications spanning nearly every aspect of healthcare.
- Abstract（参考訳）: 人工知能(AI)は科学のほとんどの領域に多大な影響を与えている。
医療におけるAIの応用は、人間の病気を検出し、診断し、診断し、介入する能力を改善する可能性がある。
aiモデルが臨床で使用されるためには、安全性、再現性、堅牢性が必要であり、基盤となるソフトウェアフレームワークは、処理される医療データの特異性(幾何学、生理学、物理学など)を認識しなければならない。
この研究は、医療におけるディープラーニングのための、フリーで、コミュニティが支援し、コンソーシアムが主導するPyTorchベースのフレームワークであるMONAIを紹介している。
MONAIは、医療データをサポートするためにPyTorchを拡張し、特にイメージングに焦点を当て、医療用AIモデルの開発とデプロイを効率化する目的固有のAIモデルアーキテクチャ、変換、ユーティリティを提供する。
monAIはソフトウェア開発のベストプラクティスに従い、使いやすく、堅牢で、文書化され、十分にテストされたソフトウェアフレームワークを提供する。
MONAIはPyTorchライブラリの単純で付加的で構成的なアプローチを保っている。
monAIは世界中の研究チーム、臨床チーム、産業チームから貢献を受けており、医療のほぼあらゆる側面にまたがる応用を追求している。
関連論文リスト
- 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) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Applying Bayesian Ridge Regression AI Modeling in Virus Severity
Prediction [0.0]
医療専門家に最先端ウイルス分析をもたらすAIモデルであるBayesian Ridge Regressionの長所と短所をレビューする。
モデルの精度評価は有望な結果を示し、改善の余地があった。
さらに、重症度指数は、患者のケアニーズを概観するための貴重なツールとして機能する。
論文 参考訳（メタデータ） (2023-10-14T04:17:00Z) - FUTURE-AI: International consensus guideline for trustworthy and deployable artificial intelligence in healthcare [73.78776682247187]
医療AIに関連する技術的、臨床的、倫理的、法的リスクに関する懸念が高まっている。
この研究は、Future-AIガイドラインを、医療における信頼できるAIツールの開発とデプロイを導くための最初の国際コンセンサスフレームワークとして説明している。
論文 参考訳（メタデータ） (2023-08-11T10:49:05Z) - Explainable AI applications in the Medical Domain: a systematic review [1.4419517737536707]
医療AIの分野は、ユーザー信頼の構築、規制の遵守、倫理的にデータの利用など、さまざまな課題に直面している。
本稿では,近年発行されている198記事の代表的サンプルをもとに,XAIソリューションの医療意思決定支援への展開に関する文献的考察を行う。
論文 参考訳（メタデータ） (2023-08-10T08:12:17Z) - Current State of Community-Driven Radiological AI Deployment in Medical
Imaging [1.474525456020066]
本報告は, MonAIコンソーシアムの業界専門家と臨床医のグループによる, 週ごとの議論と問題解決経験について述べる。
実験室におけるAIモデル開発とその後の臨床展開の障壁を明らかにする。
臨床放射線学ワークフローにおける様々なAI統合ポイントについて論じる。
論文 参考訳（メタデータ） (2022-12-29T05:17:59Z) - Open-Source Skull Reconstruction with MONAI [3.245541722525715]
MUG500+の頭蓋骨データセットを事前訓練したmonAIの深層学習に基づく頭蓋骨再建法を提案する。
本論文の主目的は、monAIフレームワークの下で、オープンソースコードと事前学習されたディープラーニングモデルの調査である。
論文 参考訳（メタデータ） (2022-11-25T12:12:23Z) - MONAI Label: A framework for AI-assisted Interactive Labeling of 3D
Medical Images [49.664220687980006]
注釈付きデータセットの欠如は、タスク固有の教師付き機械学習モデルをトレーニングする上で、大きなボトルネックとなる。
本稿では,人工知能(AI)モデルに基づくアプリケーション開発を支援する,フリーかつオープンソースなフレームワークであるmonAI Labelを紹介する。
論文 参考訳（メタデータ） (2022-03-23T12:33:11Z) - MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence
using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。
MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文 参考訳（メタデータ） (2021-09-29T18:09:41Z) - PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。
データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。
予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
論文 参考訳（メタデータ） (2021-01-11T22:02:08Z) - Explainable AI meets Healthcare: A Study on Heart Disease Dataset [0.0]
目的は、様々な技術を用いて説明可能なAIシステムの理解性と解釈可能性について実践者に啓蒙することである。
本論文は、心臓病データセットに基づく例を収録し、信頼性を高めるために説明可能性技術をどのように好むべきかを解明する。
論文 参考訳（メタデータ） (2020-11-06T05:18:43Z)
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。