論文の概要: DASS Good: Explainable Data Mining of Spatial Cohort Data
- arxiv url: http://arxiv.org/abs/2304.04870v1
- Date: Mon, 10 Apr 2023 21:24:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-12 16:55:43.658458
- Title: DASS Good: Explainable Data Mining of Spatial Cohort Data
- Title(参考訳): DASS Good:空間コホートデータの説明可能なデータマイニング
- Authors: Andrew Wentzel, Carla Floricel, Guadalupe Canahuate, Mohamed A.Naser,
Abdallah S. Mohamed, Clifton David Fuller, Lisanne van Dijk, G.Elisabeta
Marai
- Abstract要約: 本稿では,人間と機械のハイブリッド開発と予測モデルの検証を支援するためのモデリングシステムDASSの共設計について述べる。
DASSには、人間のループ内の視覚的ステアリング、空間データ、説明可能なAIが組み込まれており、ドメイン知識を自動データマイニングで強化する。
- 参考スコア(独自算出の注目度): 3.1442270083085964
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Developing applicable clinical machine learning models is a difficult task
when the data includes spatial information, for example, radiation dose
distributions across adjacent organs at risk. We describe the co-design of a
modeling system, DASS, to support the hybrid human-machine development and
validation of predictive models for estimating long-term toxicities related to
radiotherapy doses in head and neck cancer patients. Developed in collaboration
with domain experts in oncology and data mining, DASS incorporates
human-in-the-loop visual steering, spatial data, and explainable AI to augment
domain knowledge with automatic data mining. We demonstrate DASS with the
development of two practical clinical stratification models and report feedback
from domain experts. Finally, we describe the design lessons learned from this
collaborative experience.
- Abstract(参考訳): リスクのある隣接臓器間の放射線量分布など、空間情報を含む場合、適切な臨床機械学習モデルの開発は難しい課題である。
頭頸部癌患者の放射線治療線量に関連する長期毒性を推定するための予測モデルとして,人間と機械のハイブリッドな開発を支援するモデリングシステムdassの共同設計について述べる。
オンコロジーとデータマイニングのドメイン専門家と共同で開発されたdassは、ヒューマン・イン・ザ・ループのビジュアル・ステアリング、空間データ、説明可能なaiを組み込んで、ドメイン知識を自動データマイニングで強化する。
我々は, 2つの実践的臨床階層化モデルの開発と, ドメインエキスパートからのフィードバックを提示する。
最後に,この共同体験から得られたデザインの教訓について述べる。
関連論文リスト
- Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳(メタデータ) (2024-02-02T00:31:01Z) - 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) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Building Flexible, Scalable, and Machine Learning-ready Multimodal
Oncology Datasets [17.774341783844026]
本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。
MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。
MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
論文 参考訳(メタデータ) (2023-09-30T15:44:39Z) - AI Framework for Early Diagnosis of Coronary Artery Disease: An
Integration of Borderline SMOTE, Autoencoders and Convolutional Neural
Networks Approach [0.44998333629984877]
我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。
実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
論文 参考訳(メタデータ) (2023-08-29T14:33:38Z) - Toward Cohort Intelligence: A Universal Cohort Representation Learning
Framework for Electronic Health Record Analysis [15.137213823470544]
本稿では, 患者間の詳細なコホート情報を活用することで, EHR活用を促進するための共通コホート表現 lEarning (CORE) フレームワークを提案する。
COREは多様なバックボーンモデルに容易に適用でき、コホート情報を医療手法に注入してパフォーマンスを高める普遍的なプラグインフレームワークとして機能する。
論文 参考訳(メタデータ) (2023-04-10T09:12:37Z) - Improved Techniques for the Conditional Generative Augmentation of
Clinical Audio Data [36.45569352490318]
本稿では,学習したデータ分布からメルスペクトルを合成できる条件付き逆方向ニューラルネットワークによる拡張法を提案する。
提案手法は,従来の音質向上手法よりも優れていることを示す。
提案モデルは,臨床オーディオデータの増大における最先端の進歩と,臨床音響センシングシステムの設計におけるデータのボトルネックを改善する。
論文 参考訳(メタデータ) (2022-11-05T10:58:04Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Explainable Spatial Clustering: Leveraging Spatial Data in Radiation
Oncology [3.2638612423470934]
頭頸部癌患者の複雑な解剖データをクラスタリングするための新しいアプローチを説明するための可視化設計について考察する。
これらの可視化は、放射線腫瘍学者や統計学者との複数年間のコラボレーションにおいて、臨床観衆を対象とした参加型設計を通じて開発された。
論文 参考訳(メタデータ) (2020-08-25T21:31:41Z)
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。