論文の概要: A Machine Learning Case Study for AI-empowered echocardiography of
Intensive Care Unit Patients in low- and middle-income countries
- arxiv url: http://arxiv.org/abs/2212.14510v1
- Date: Fri, 30 Dec 2022 01:41:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 17:50:32.674664
- Title: A Machine Learning Case Study for AI-empowered echocardiography of
Intensive Care Unit Patients in low- and middle-income countries
- Title（参考訳）: 低所得国・中所得国における集中治療室患者のAIを用いた心エコー図の機械学習ケーススタディ
- Authors: Xochicale Miguel and Thwaites Louise and Yacoub Sophie and Pisani
Luigi and Tran Huy Nhat Phung and Kerdegari Hamideh and King Andrew and Gomez
Alberto
- Abstract要約: LMICにおけるICU患者のデータを用いたリアルタイムAIを用いた心エコー図法における臨床翻訳の課題について,機械学習(ML)を用いた研究事例を報告する。
LMICにおける31人のICU患者の2D Ultrasoundビデオのデータ作成、キュレーション、ラベル付け、および3つのより薄いニューラルネットワークのモデル選択、検証、デプロイにより、心尖四面体ビューを分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a Machine Learning (ML) study case to illustrate the challenges of
clinical translation for a real-time AI-empowered echocardiography system with
data of ICU patients in LMICs. Such ML case study includes data preparation,
curation and labelling from 2D Ultrasound videos of 31 ICU patients in LMICs
and model selection, validation and deployment of three thinner neural networks
to classify apical four-chamber view. Results of the ML heuristics showed the
promising implementation, validation and application of thinner networks to
classify 4CV with limited datasets. We conclude this work mentioning the need
for (a) datasets to improve diversity of demographics, diseases, and (b) the
need of further investigations of thinner models to be run and implemented in
low-cost hardware to be clinically translated in the ICU in LMICs. The code and
other resources to reproduce this work are available at
https://github.com/vital-ultrasound/ai-assisted-echocardiography-for-low-resource-countries.
- Abstract（参考訳）: LMICにおけるICU患者のデータを用いたリアルタイムAIを用いた心エコー図法の臨床翻訳の課題について,機械学習(ML)を用いた研究事例を報告する。
このようなMLケーススタディには、LMICの31人のICU患者の2D Ultrasoundビデオからのデータ準備、キュレーション、ラベル付け、モデル選択、アピカル四面体ビューの分類のための3つのより薄いニューラルネットワークの検証と展開が含まれる。
MLヒューリスティックスの結果、限られたデータセットで4CVを分類するために、より薄いネットワークの実装、検証、応用が期待できることを示した。
私たちはこの研究を結論付けます。
(a)人口、疾患の多様性を改善するためのデータセット
b) LMIC の ICU で臨床翻訳を行うために,より薄いモデルを実行し,低コストなハードウェアで実装するためのさらなる調査の必要性。
この作業を再現するコードやその他のリソースは、https://github.com/vital-ultrasound/ai-assisted-echocardiography-for-low-resource-countriesで入手できる。
関連論文リスト
- When Raw Data Prevails: Are Large Language Model Embeddings Effective in Numerical Data Representation for Medical Machine Learning Applications? [8.89829757177796]
大規模言語モデルの最後の隠れ状態からベクター表現が医療診断および予後に有効であることを示す。
我々は,異常な生理的データを表すため,ゼロショット設定の命令調整LDMに着目し,それらのユーティリティを特徴抽出器として評価する。
医学MLタスクでは生データの特徴が依然として有効であることが示唆されているが、ゼロショットLSM埋め込みは競争力のある結果を示している。
論文 参考訳（メタデータ） (2024-08-15T03:56:40Z) - Unsupervised Training of Neural Cellular Automata on Edge Devices [2.5462695047893025]
携帯電話上でのセルラーオートマタトレーニングを, アクセス可能なX線肺セグメンテーションのために直接実施する。
5つのAndroidデバイスにこれらの高度なモデルをデプロイし、トレーニングする実用性と実現可能性を確認します。
デジタルコピーが入手できず、X線ライトボックスやモニターから画像を撮影しなければならない極端な場合、VWSLはDiceの精度を5-20%向上させる。
論文 参考訳（メタデータ） (2024-07-25T15:21:54Z) - Dr-LLaVA: Visual Instruction Tuning with Symbolic Clinical Grounding [53.629132242389716]
VLM(Vision-Language Models)は、医用画像を分析し、自然言語の相互作用に関与することによって、臨床医を支援する。
VLMはしばしば「幻覚的」な振る舞いを示し、文脈的マルチモーダル情報に基づかないテキスト出力を生成する。
本稿では,臨床推論の象徴的表現を用いて医療知識にVLMを基盤とする新たなアライメントアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-29T23:19:28Z) - Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。
マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。
本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
論文 参考訳（メタデータ） (2024-03-08T15:16:15Z) - Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Predicting Cardiovascular Complications in Post-COVID-19 Patients Using
Data-Driven Machine Learning Models [0.0]
新型コロナウイルス(COVID-19)のパンデミックは世界中で多くの健康上の問題を引き起こしている。
本研究では、データ駆動機械学習モデルを用いて、イラクからの352人のポスト新型コロナウイルス患者の合併症を予測する。
論文 参考訳（メタデータ） (2023-09-27T22:52:08Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳（メタデータ） (2023-03-30T18:20:00Z) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳（メタデータ） (2023-01-21T15:00:59Z) - VBridge: Connecting the Dots Between Features, Explanations, and Data
for Healthcare Models [85.4333256782337]
VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。
我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。
症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
論文 参考訳（メタデータ） (2021-08-04T17:34:13Z)
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。