論文の概要: Modular Clinical Decision Support Networks (MoDN) -- Updatable, Interpretable, and Portable Predictions for Evolving Clinical Environments

• arxiv url: http://arxiv.org/abs/2211.06637v1
• Date: Sat, 12 Nov 2022 11:10:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 18:59:00.265471
• Title: Modular Clinical Decision Support Networks (MoDN) -- Updatable, Interpretable, and Portable Predictions for Evolving Clinical Environments
• Title（参考訳）: Modular Clinical Decision Support Networks (MoDN) -- Updatable, Interpretable, Portable Predictions for Evolving Clinical Environments
• Authors: C\'ecile Trottet, Thijs Vogels, Martin Jaggi, Mary-Anne Hartley
• Abstract要約: 我々はModular Clinical Decision Support Networks (MoDN)を提案する。 MoDNは、IIOデータセット間で柔軟なプライバシ保護学習を可能にする。 患者の動的パーソナライズされた表現を生成し、診断の複数の予測を行うことができる。
• 参考スコア（独自算出の注目度）: 46.434488407226155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven Clinical Decision Support Systems (CDSS) have the potential to improve and standardise care with personalised probabilistic guidance. However, the size of data required necessitates collaborative learning from analogous CDSS's, which are often unsharable or imperfectly interoperable (IIO), meaning their feature sets are not perfectly overlapping. We propose Modular Clinical Decision Support Networks (MoDN) which allow flexible, privacy-preserving learning across IIO datasets, while providing interpretable, continuous predictive feedback to the clinician. MoDN is a novel decision tree composed of feature-specific neural network modules. It creates dynamic personalised representations of patients, and can make multiple predictions of diagnoses, updatable at each step of a consultation. The modular design allows it to compartmentalise training updates to specific features and collaboratively learn between IIO datasets without sharing any data.
• Abstract（参考訳）: データ駆動型臨床意思決定支援システム(CDSS)は、個人化された確率的ガイダンスでケアを改善し標準化する可能性がある。 しかし、必要となるデータのサイズは類似のCDSSからの協調学習を必要とし、これはしばしば不調和または不完全な相互運用(IIO)であり、それらの特徴セットが完全に重複していないことを意味する。 本稿では,IIOデータセット間のフレキシブルなプライバシ保護学習を実現するモジュール型臨床意思決定支援ネットワーク(MoDN)を提案する。 modnは特徴特異的ニューラルネットワークモジュールで構成される新しい決定木である。 患者を動的にパーソナライズした表現を生成し、診断の予測を複数行い、相談のステップごとに実行可能である。 モジュール設計により、特定の機能に対するトレーニング更新を分割し、データを共有せずにIIOデータセット間で協調的に学習することができる。

関連論文リスト

• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• IODeep: an IOD for the introduction of deep learning in the DICOM standard [0.0]
  本稿では、ディープニューラルネットワーク(DNN)の重みとアーキテクチャの両方を記憶するための新しいDICOM情報オブジェクト定義(IOD)を提案する。 IODeepは、トレーニングされたAIモデルをDICOMインフラストラクチャに完全に統合することを保証する。 これにより、AIモデルは、Radiology病棟が生成する実際のデータに合わせて調整され、医師の意思決定プロセスが改善される。
  論文  参考訳（メタデータ） (2023-11-10T09:30:06Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Ensembling Neural Networks for Improved Prediction and Privacy in Early Diagnosis of Sepsis [13.121103500410156]
  ニューラルネットワークを組み立てることは、ニューラルネットワークの一般化エラーを改善する技術である。 この手法は医療データに対する機械学習に最適であることを示す。 より大規模なデータセットでトレーニングされた単一のモデルよりも優れた、いくつかの選択された患者固有のモデルのアンサンブルを構築することができることを示す。
  論文  参考訳（メタデータ） (2022-09-01T13:24:14Z)
• 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)
• CNN-LSTM Based Multimodal MRI and Clinical Data Fusion for Predicting Functional Outcome in Stroke Patients [1.5250925845050138]
  脳卒中患者の管理において臨床結果予測は重要な役割を担っている。 機械学習の観点から見ると、大きな課題のひとつは異種データを扱うことだ。 本稿では,長い短期記憶(CNN-LSTM)に基づくアンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2022-05-11T14:46:01Z)
• Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning to Integrate Multimodal and Dynamic Functional Connectomics data for Multidimensional Clinical Characterizations [7.973810752596346]
  静止機能MRI(r-fMRI)接続と拡散テンソルイメージング(DTI)トラクトグラフィーから補完情報を共同でモデル化する新しい統合フレームワークを提案する。 本フレームワークは,コネクトロミクスデータの生成モデルと,行動スコアを予測するディープネットワークを結合する。 我々のハイブリッドモデルは、臨床結果予測における最先端のアプローチよりも優れており、脳組織の解釈可能なマルチモーダルニューラルシグネチャを学習する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:56Z)
• Integrating Neural Networks and Dictionary Learning for Multidimensional Clinical Characterizations from Functional Connectomics Data [5.382679710017696]
  本稿では、ニューラルネットワークと辞書学習を組み合わせた統合フレームワークを提案し、静止状態機能MRIと行動データの間の複雑な相互作用をモデル化する。 自閉症スペクトラム障害(ASD)52例を用いたマルチスコア予測課題における組み合わせモデルの評価を行った。 統合されたフレームワークは,3種類の臨床重症度を予測するために,10倍のクロス・コンフィグレーション・セッティングにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-07-03T20:14:45Z)
• Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
  ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。 本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。 NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
  論文  参考訳（メタデータ） (2020-04-29T01:28:32Z)

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。