論文の概要: Artificial Intelligence for Dementia Research Methods Optimization
- arxiv url: http://arxiv.org/abs/2303.01949v1
- Date: Thu, 2 Mar 2023 08:50:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 14:47:49.200367
- Title: Artificial Intelligence for Dementia Research Methods Optimization
- Title(参考訳): 認知症研究手法最適化のための人工知能
- Authors: Magda Bucholc, Charlotte James, Ahmad Al Khleifat, AmanPreet Badhwar,
Natasha Clarke, Amir Dehsarvi, Christopher R. Madan, Sarah J. Marzi, Cameron
Shand, Brian M. Schilder, Stefano Tamburin, Hanz M. Tantiangco, Ilianna
Lourida, David J. Llewellyn, Janice M. Ranson
- Abstract要約: 本稿では,認知症研究において最も頻繁に使用される機械学習アルゴリズムの概要を紹介する。
本稿では, 再現性と解釈可能性の問題と, 認知症研究の臨床的応用性への影響について論じる。
本稿では, 伝達学習, マルチタスク学習, 強化学習といった最先端の手法が, これらの課題を克服するためにどのように応用されるかを示す。
- 参考スコア(独自算出の注目度): 0.49050354212898845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Introduction: Machine learning (ML) has been extremely successful in
identifying key features from high-dimensional datasets and executing
complicated tasks with human expert levels of accuracy or greater. Methods: We
summarize and critically evaluate current applications of ML in dementia
research and highlight directions for future research. Results: We present an
overview of ML algorithms most frequently used in dementia research and
highlight future opportunities for the use of ML in clinical practice,
experimental medicine, and clinical trials. We discuss issues of
reproducibility, replicability and interpretability and how these impact the
clinical applicability of dementia research. Finally, we give examples of how
state-of-the-art methods, such as transfer learning, multi-task learning, and
reinforcement learning, may be applied to overcome these issues and aid the
translation of research to clinical practice in the future. Discussion:
ML-based models hold great promise to advance our understanding of the
underlying causes and pathological mechanisms of dementia.
- Abstract(参考訳): 導入: 機械学習(ML)は、高次元データセットから重要な特徴を特定し、人間の専門家の精度以上の複雑なタスクを実行するのに非常に成功した。
方法:認知症研究におけるMLの現在の応用を要約し,批判的に評価し,今後の研究の方向性を明らかにする。
結果: 認知症研究において最も頻繁に使用されるMLアルゴリズムの概要を述べるとともに, 臨床, 実験, 臨床治験におけるMLの活用の可能性を明らかにする。
本稿では,再現性,複製性,解釈性の問題と,認知症研究の臨床的応用性への影響について論じる。
最後に, トランスファーラーニング, マルチタスクラーニング, 強化ラーニングといった最先端の手法を応用して, これらの課題を克服し, 今後の臨床実践への研究の翻訳を支援する方法の例を示す。
考察:MLに基づくモデルは、認知症の根本原因と病態メカニズムの理解を深める大きな可能性を秘めている。
関連論文リスト
- The Significance of Machine Learning in Clinical Disease Diagnosis: A
Review [0.0]
本研究では、時系列医療指標における心拍データの伝達を改善するための機械学習アルゴリズムの能力について検討する。
検討中の要因は、アルゴリズムの利用、対象とする疾患の種類、採用されるデータの種類、応用、評価指標などである。
論文 参考訳(メタデータ) (2023-10-25T20:28:22Z) - Exploring the Cognitive Knowledge Structure of Large Language Models: An
Educational Diagnostic Assessment Approach [50.125704610228254]
大規模言語モデル(LLM)は、様々なタスクにまたがる例外的なパフォーマンスを示すだけでなく、知性の火花も示している。
近年の研究では、人間の試験における能力の評価に焦点が当てられ、異なる領域における彼らの印象的な能力を明らかにしている。
ブルーム分類に基づく人体検査データセットであるMoocRadarを用いて評価を行った。
論文 参考訳(メタデータ) (2023-10-12T09:55:45Z) - Beyond Known Reality: Exploiting Counterfactual Explanations for Medical
Research [1.6574413179773761]
本研究は, 医療研究における「もし」シナリオの適用可能性を探るために, 反事実的説明を用いている。
本研究の目的は, 小児後頭葉腫瘍の診断に使用されるMRI像の理解を深めることである。
論文 参考訳(メタデータ) (2023-07-05T09:14:09Z) - Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。
正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。
本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
論文 参考訳(メタデータ) (2023-05-30T22:05:11Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳(メタデータ) (2022-07-21T09:35:38Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - Causal Machine Learning for Healthcare and Precision Medicine [16.846051073534966]
因果機械学習(CML)は、医療で人気が高まっている。
臨床意思決定支援システムの様々な側面に因果推論を組み込む方法について検討する。
論文 参考訳(メタデータ) (2022-05-23T15:45:21Z) - 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) - A Role for Prior Knowledge in Statistical Classification of the
Transition from MCI to Alzheimer's Disease [0.0]
軽度認知障害(MCI)からアルツハイマー病(AD)への移行は臨床研究者にとって大きな関心事である。
分類のための機械学習(ML)アプローチの成長は、多くの臨床研究者にロジスティック回帰(LR)の価値を過小評価させる可能性がある
本稿では,ADに関わる脳領域の臨床的知識に基づいて,効率的な特徴選択を利用する方法を提案する。
論文 参考訳(メタデータ) (2020-11-28T18:15:24Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。