論文の概要: Medical records condensation: a roadmap towards healthcare data democratisation

• arxiv url: http://arxiv.org/abs/2305.03711v2
• Date: Mon, 8 Jan 2024 08:00:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 00:00:55.116411
• Title: Medical records condensation: a roadmap towards healthcare data democratisation
• Title（参考訳）: 医療記録凝縮 : 医療データの民主化に向けたロードマップ
• Authors: Yujiang Wang, Anshul Thakur, Mingzhi Dong, Pingchuan Ma, Stavros Petridis, Li Shang, Tingting Zhu, David A. Clifton
• Abstract要約: 本稿では,近年の深層学習の進展であるデータセット凝縮(DC)を,医療データの民主化において2羽の鳥を殺す石として考察する。 統計メタデータと見なせるDC以降の凝縮データは、オリジナルの臨床記録を抽象化し、個々のレベルで機密情報を不可逆的に隠蔽する。
• 参考スコア（独自算出の注目度）: 34.13627506572759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prevalence of artificial intelligence (AI) has envisioned an era of healthcare democratisation that promises every stakeholder a new and better way of life. However, the advancement of clinical AI research is significantly hurdled by the dearth of data democratisation in healthcare. To truly democratise data for AI studies, challenges are two-fold: 1. the sensitive information in clinical data should be anonymised appropriately, and 2. AI-oriented clinical knowledge should flow freely across organisations. This paper considers a recent deep-learning advent, dataset condensation (DC), as a stone that kills two birds in democratising healthcare data. The condensed data after DC, which can be viewed as statistical metadata, abstracts original clinical records and irreversibly conceals sensitive information at individual levels; nevertheless, it still preserves adequate knowledge for learning deep neural networks (DNNs). More favourably, the compressed volumes and the accelerated model learnings of condensed data portray a more efficient clinical knowledge sharing and flowing system, as necessitated by data democratisation. We underline DC's prospects for democratising clinical data, specifically electrical healthcare records (EHRs), for AI research through experimental results and analysis across three healthcare datasets of varying data types.
• Abstract（参考訳）: 人工知能(AI)の流行は、すべてのステークホルダーに新しいより良い生活様式を約束する医療民主化の時代を思い描いている。 しかし、臨床AI研究の進歩は、医療におけるデータの民主化の後退によって著しくハードルがかかる。 ai研究のデータを真に民主化するには、課題は2つある。 一 臨床データの機密情報を適切に匿名化し、かつ 2.ai指向の臨床知識は組織全体に自由に流れるべきである。 本稿では,近年の深層学習の進展であるデータセット凝縮(DC)を,医療データの民主化において2羽の鳥を殺す石として考察する。 統計メタデータと見なせるDC以降の凝縮したデータは、オリジナルの臨床記録を抽象化し、個々のレベルで機密情報を不可逆的に隠蔽する。 より好ましくは、圧縮されたボリュームと凝縮データの加速されたモデル学習は、データの民主化によって必要となるように、より効率的な臨床知識共有とフローシステムを表している。 我々は、臨床データ、特に電気医療記録(ehrs)を民主化するdcの展望を、さまざまなデータタイプの3つの医療データセットにまたがる実験結果と分析を通じて強調する。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Balancing Privacy and Progress in Artificial Intelligence: Anonymization in Histopathology for Biomedical Research and Education [1.8078387709049526]
  医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。 既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。 本稿では,医療データ共有に関する法的規制と用語について考察する。
  論文  参考訳（メタデータ） (2023-07-18T16:53:07Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Non-Imaging Medical Data Synthesis for Trustworthy AI: A Comprehensive Survey [6.277848092408045]
  データ品質は、医療において信頼できるAIを開発する上で重要な要素である。 高品質なデータセットへのアクセスは、データ取得の技術的困難によって制限される。 医療データの大規模な共有は、厳格な倫理的制約によって妨げられている。
  論文  参考訳（メタデータ） (2022-09-17T13:34:17Z)
• Why patient data cannot be easily forgotten? [18.089204090335667]
  患者データのモデル性能への影響について検討し, 患者データに対する2つの仮説を定式化する。 そこで我々は,患者を意識した「忘れる」アプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T11:36:49Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• How to Leverage Multimodal EHR Data for Better Medical Predictions? [13.401754962583771]
  電子健康記録(EHR)データの複雑さは、ディープラーニングの適用の課題である。 本稿では,まずEHRから臨床ノートを抽出し,これらのデータを統合する方法を提案する。 2つの医療予測タスクの結果、異なるデータを持つ融合モデルが最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-29T13:26:05Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• A new paradigm for accelerating clinical data science at Stanford Medicine [1.3814679165245243]
  Stanford Medicineは、私たちの学術研究コミュニティがより良い臨床データサイエンスを行うための、新しいデータプラットフォームを構築している。 病院には大量の患者データがあり、研究者はそのデータとAIアプローチを再利用できることを実証している。 私たちは、データにアクセスし分析する時間を短縮することを目的とした、新しいセキュアなビッグデータプラットフォームを構築しています。
  論文  参考訳（メタデータ） (2020-03-17T16:21:42Z)

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。