論文の概要: Deep Learning in Healthcare: An In-Depth Analysis

• arxiv url: http://arxiv.org/abs/2302.10904v1
• Date: Sun, 12 Feb 2023 20:55:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-26 13:41:33.601310
• Title: Deep Learning in Healthcare: An In-Depth Analysis
• Title（参考訳）: 医療における深層学習 : 深層分析
• Authors: Farzan Shenavarmasouleh, Farid Ghareh Mohammadi, Khaled M. Rasheed, Hamid R. Arabnia
• Abstract要約: 本稿では,Deep Learningモデルとそのバイオインフォマティクスおよび医療への応用について概説する。 また、DL研究の実施中に現われうるいくつかの重要な課題についても検討する。
• 参考スコア（独自算出の注目度）: 1.892561703051693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning (DL) along with never-ending advancements in computational processing and cloud technologies have bestowed us powerful analyzing tools and techniques in the past decade and enabled us to use and apply them in various fields of study. Health informatics is not an exception, and conversely, is the discipline that generates the most amount of data in today's era and can benefit from DL the most. Extracting features and finding complex patterns from a huge amount of raw data and transforming them into knowledge is a challenging task. Besides, various DL architectures have been proposed by researchers throughout the years to tackle different problems. In this paper, we provide a review of DL models and their broad application in bioinformatics and healthcare categorized by their architecture. In addition, we also go over some of the key challenges that still exist and can show up while conducting DL research.
• Abstract（参考訳）: ディープラーニング(DL)と計算処理とクラウド技術の進歩は、過去10年間に私たちを強力な分析ツールや技術として与え、それらをさまざまな分野の研究に利用し、応用することを可能にしました。 健康情報学は例外ではなく、逆に、今日の時代に最も多くのデータを生成し、DLから最も恩恵を受けることができる分野である。 大量の生データから機能を抽出し、複雑なパターンを見つけ、それらを知識に変えることは難しい作業です。 さらに、長年にわたって異なる問題に取り組むために様々なDLアーキテクチャが提案されてきた。 本稿では,dlモデルとそのアーキテクチャによって分類されたバイオインフォマティクスと医療への応用について概観する。 さらに、dl研究の実施中にまだ存在する重要な課題のいくつかについても取り上げています。

関連論文リスト

• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Unveiling the frontiers of deep learning: innovations shaping diverse domains [6.951472438774211]
  ディープラーニング(DL)は、学習、視覚化、最適化、精錬、予測が可能なコンピュータモデルの開発を可能にする。 DLは、オーディオ視覚データ処理、農業、交通予測、自然言語、バイオメディシン、災害管理、バイオインフォマティクス、薬物設計、ゲノム学、顔認識、生態学など、様々な分野に適用されている。 本稿では,すべての研究分野におけるディープラーニングの適用可能性と,関連するメリットと課題について検討する。
  論文  参考訳（メタデータ） (2023-09-06T04:50:39Z)
• Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions [57.30984060215482]
  データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。 また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
  論文  参考訳（メタデータ） (2023-01-07T11:37:32Z)
• Machine Learning for Multimodal Electronic Health Records-based Research: Challenges and Perspectives [22.230972071321357]
  電子健康記録は患者の健康史に関する豊富な情報を含んでいる。 構造化されたデータに頼ることは 患者の包括的情報を反映するのに 不十分かもしれない 多くの研究が、構造化されていない自由テキストデータも取り入れることで、より正確な結果を得ようとしている。
  論文  参考訳（メタデータ） (2021-11-09T01:19:11Z)
• REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter [52.117388513480435]
  本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。 データセットは2D画像と3Dポイントクラウドの両方で収集されます。 ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
  論文  参考訳（メタデータ） (2021-04-29T05:31:21Z)
• A Survey of Deep Active Learning [54.376820959917005]
  アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。 ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。 ディープラーニング(Deep Active Learning, DAL)が誕生した。
  論文  参考訳（メタデータ） (2020-08-30T04:28:31Z)
• Knowledge Distillation: A Survey [87.51063304509067]
  ディープニューラルネットワークは、特にコンピュータビジョンタスクにおいて、産業と学術の両方で成功している。 リソースが限られているデバイスに、これらの面倒なディープモデルをデプロイすることは難しい。 知識蒸留は、大きな教師モデルから小さな学生モデルを効果的に学習する。
  論文  参考訳（メタデータ） (2020-06-09T21:47:17Z)
• Deep Learning in Mining Biological Data [7.834172629639729]
  ディープラーニング(DL)は多くの複雑なパターン認識問題の解決に成功している。 本稿では,生物配列,画像,信号データへのDLの適用について述べる。 また、生物データのマイニングにおけるいくつかのオープンな研究課題についても概説している。
  論文  参考訳（メタデータ） (2020-02-28T23:14:27Z)
• Deep Learning for Source Code Modeling and Generation: Models, Applications and Challenges [5.4052819252055055]
  自然言語処理のためのディープラーニング(DL)技術は急速に進化してきた。 近年,言語モデリング,機械翻訳,段落理解の進歩が目覚ましいため,ソフトウェア工学におけるDLの可能性を見落とせない。
  論文  参考訳（メタデータ） (2020-02-13T11:02:51Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。