論文の概要: ManyDG: Many-domain Generalization for Healthcare Applications

• arxiv url: http://arxiv.org/abs/2301.08834v1
• Date: Sat, 21 Jan 2023 00:26:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 16:17:19.849939
• Title: ManyDG: Many-domain Generalization for Healthcare Applications
• Title（参考訳）: ManyDG:医療応用のための多分野一般化
• Authors: Chaoqi Yang, M Brandon Westover, Jimeng Sun
• Abstract要約: そこで我々は,このような多領域問題にスケール可能な新しい領域一般化手法MultiDGを開発した。 manyDGは、複数の現実世界の医療タスクにおける一般化性能を向上できることを示す実験である。
• 参考スコア（独自算出の注目度）: 36.22753628246332
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The vast amount of health data has been continuously collected for each patient, providing opportunities to support diverse healthcare predictive tasks such as seizure detection and hospitalization prediction. Existing models are mostly trained on other patients data and evaluated on new patients. Many of them might suffer from poor generalizability. One key reason can be overfitting due to the unique information related to patient identities and their data collection environments, referred to as patient covariates in the paper. These patient covariates usually do not contribute to predicting the targets but are often difficult to remove. As a result, they can bias the model training process and impede generalization. In healthcare applications, most existing domain generalization methods assume a small number of domains. In this paper, considering the diversity of patient covariates, we propose a new setting by treating each patient as a separate domain (leading to many domains). We develop a new domain generalization method ManyDG, that can scale to such many-domain problems. Our method identifies the patient domain covariates by mutual reconstruction and removes them via an orthogonal projection step. Extensive experiments show that ManyDG can boost the generalization performance on multiple real-world healthcare tasks (e.g., 3.7% Jaccard improvements on MIMIC drug recommendation) and support realistic but challenging settings such as insufficient data and continuous learning.
• Abstract（参考訳）: 大量の健康データが患者ごとに継続的に収集され、発作検出や入院予測などの多様な医療予測タスクを支援する機会を提供している。 既存のモデルは、ほとんどが他の患者データに基づいて訓練され、新しい患者で評価される。 それらの多くは一般化性に乏しい。 一つの重要な理由は、患者同一性に関連するユニークな情報と、患者共変体と呼ばれるデータ収集環境によって過度に適合する可能性がある。 これらの患者の共変量は通常、標的の予測には寄与しないが、しばしば取り除くのが難しい。 その結果、モデルのトレーニングプロセスをバイアスし、一般化を妨げることができる。 医療アプリケーションでは、既存のドメイン一般化メソッドのほとんどが少数のドメインを想定している。 本稿では,患者共変量の多様性を考慮し,各患者を独立したドメインとして扱うことで,新たな設定を提案する。 我々は、そのような多くのドメイン問題にスケール可能な新しい領域一般化手法MultiDGを開発した。 本手法は患者領域を相互再構成により同定し,直交投影法により除去する。 大規模な実験により、MultiDGは複数の現実世界の医療タスク(例えば、MIMICのドラッグレコメンデーションにおける3.7%のジャカード改善など)の一般化性能を高め、不十分なデータや継続的学習のような現実的で困難な設定をサポートすることが示されている。

関連論文リスト

• Generalization in medical AI: a perspective on developing scalable models [3.003979691986621]
  多くの名高いジャーナルは、ローカルに隠されたテストセットと外部データセットの両方でレポート結果を要求するようになった。 これは、病院文化全体で意図された用途や特異性で発生する変動性によるものである。 医用AIアルゴリズムの一般化レベルを反映した階層型3段階尺度システムを構築した。
  論文  参考訳（メタデータ） (2023-11-09T14:54:28Z)
• DGM-DR: Domain Generalization with Mutual Information Regularized Diabetic Retinopathy Classification [40.35834579068518]
  トレーニングとテストデータのドメインシフトは、一般的なディープラーニングモデルをトレーニングする上で大きな課題となる。 医用画像領域に事前訓練されたモデルとしてモデル目的関数を再確立するDG法を提案する。 提案手法は,従来の最先端技術よりも平均精度5.25%,標準偏差が低い。
  論文  参考訳（メタデータ） (2023-09-18T11:17:13Z)
• Domain Generalization with Adversarial Intensity Attack for Medical Image Segmentation [27.49427483473792]
  実世界のシナリオでは、トレーニング中に露出していない新しいドメインや異なるドメインのデータに遭遇することが一般的である。 ドメイン一般化(Domain Generalization, DG)は、モデルがこれまで見つからなかったドメインからのデータを扱うことを可能にする、有望な方向である。 本稿では,敵対的トレーニングを活用して無限のスタイルでトレーニングデータを生成する,AdverIN(Adversarial Intensity Attack)と呼ばれる新しいDG手法を提案する。
  論文  参考訳（メタデータ） (2023-04-05T19:40:51Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
  既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。 患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。 提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
  論文  参考訳（メタデータ） (2022-02-25T10:30:29Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Privacy-Preserving Constrained Domain Generalization via Gradient Alignment [37.916630896194334]
  ディープ・ニューラル・ネットワーク(DNN)は医療画像の応用において前例のない成功を収めた。 データセットの可用性の制限と、患者のプライバシー保護のための厳格な法的および倫理的要件のため、医用画像分類の幅広い適用は、ほとんど妨げられてきた。 本稿では,プライバシ保護制約付きドメイン一般化手法を開発し,この問題に対処することを目的とする。
  論文  参考訳（メタデータ） (2021-05-14T15:21:13Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)

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。