論文の概要: Patchwork Learning: A Paradigm Towards Integrative Analysis across
Diverse Biomedical Data Sources
- arxiv url: http://arxiv.org/abs/2305.06217v1
- Date: Wed, 10 May 2023 14:50:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 12:32:38.620745
- Title: Patchwork Learning: A Paradigm Towards Integrative Analysis across
Diverse Biomedical Data Sources
- Title（参考訳）: Patchwork Learning: 多様なバイオメディカルデータソースの統合分析に向けたパラダイム
- Authors: Suraj Rajendran, Weishen Pan, Mert R. Sabuncu, Jiayu Zhou, Fei Wang
- Abstract要約: パッチワーク学習(PL)とは、異なるデータモダリティからなる異なるデータセットからの情報を統合するパラダイムである。
PLはデータのプライバシを保持しながら、補完的なデータソースの同時利用を可能にする。
本稿では、パッチワーク学習の概念とその医療における実装について紹介し、潜在的な機会と適用可能なデータソースを探求する。
- 参考スコア（独自算出の注目度）: 40.957880018812816
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) in healthcare presents numerous opportunities for
enhancing patient care, population health, and healthcare providers' workflows.
However, the real-world clinical and cost benefits remain limited due to
challenges in data privacy, heterogeneous data sources, and the inability to
fully leverage multiple data modalities. In this perspective paper, we
introduce "patchwork learning" (PL), a novel paradigm that addresses these
limitations by integrating information from disparate datasets composed of
different data modalities (e.g., clinical free-text, medical images, omics) and
distributed across separate and secure sites. PL allows the simultaneous
utilization of complementary data sources while preserving data privacy,
enabling the development of more holistic and generalizable ML models. We
present the concept of patchwork learning and its current implementations in
healthcare, exploring the potential opportunities and applicable data sources
for addressing various healthcare challenges. PL leverages bridging modalities
or overlapping feature spaces across sites to facilitate information sharing
and impute missing data, thereby addressing related prediction tasks. We
discuss the challenges associated with PL, many of which are shared by
federated and multimodal learning, and provide recommendations for future
research in this field. By offering a more comprehensive approach to healthcare
data integration, patchwork learning has the potential to revolutionize the
clinical applicability of ML models. This paradigm promises to strike a balance
between personalization and generalizability, ultimately enhancing patient
experiences, improving population health, and optimizing healthcare providers'
workflows.
- Abstract（参考訳）: 医療における機械学習(ml)は、患者ケア、人口健康、医療提供者のワークフローを強化する多くの機会を提供する。
しかし、データプライバシや異種データソースの課題、複数のデータモダリティを完全に活用できないため、実際の臨床とコストのメリットは依然として限られている。
本稿では,異なるデータモダリティ(クリニカル・フリーテキスト,医用画像,オミクスなど)から構成される異なるデータセットからの情報を統合することにより,これらの制約に対処する新しいパラダイムである"パッチワーク・ラーニング"(PL)を紹介する。
PLはデータのプライバシを保ちながら補完的なデータソースを同時に利用することを可能にし、より包括的で一般化可能なMLモデルの開発を可能にする。
本稿では,パッチワーク学習の概念と医療における現在の実装について紹介し,様々な医療課題に対処するための潜在的機会と適用可能なデータソースについて検討する。
PLは、情報共有と欠落したデータのインプットを容易にするために、サイトをまたいだブリッジングのモダリティや重複する特徴空間を活用し、関連する予測タスクに対処する。
本稿では,PLに関連する課題について論じる。その多くが連合学習とマルチモーダル学習によって共有され,今後の研究への提言を提供する。
医療データ統合に対するより包括的なアプローチを提供することで、パッチワーク学習はMLモデルの臨床的適用性に革命をもたらす可能性がある。
このパラダイムは、パーソナライゼーションと一般化可能性のバランスを保ち、最終的には患者の体験を向上し、人口の健康を改善し、医療提供者のワークフローを最適化することを約束する。
関連論文リスト
- iASiS: Towards Heterogeneous Big Data Analysis for Personalized Medicine [28.917691563659467]
iASiSインフラストラクチャは、臨床ノートを使用可能なデータに変換することができる。
データの意味的な統合を使用することで、リッチで監査可能で信頼性の高い情報を生成する機会が得られる。
iASiSのユースケース,認知症,肺癌の2つの異なる疾患カテゴリのデータ資源について検討した。
論文 参考訳（メタデータ） (2024-07-09T10:52:19Z) - Decentralised, Collaborative, and Privacy-preserving Machine Learning for Multi-Hospital Data [31.106733834322394]
マルチホスピタルデータ(DeCaPH)のための分散型・協調型・プライバシ保護型MLを提案する。
実世界の分散医療データセットを用いた3つのタスクにおけるDeCaPHの一般化可能性とパワーを実証する。
論文 参考訳（メタデータ） (2024-01-31T22:06:10Z) - 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) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Multimodal Learning for Multi-Omics: A Survey [4.15790071124993]
統合的マルチオミクス分析のためのマルチモーダル学習は、研究者や実践者が人間の病気に対する深い洞察を得るのに役立つ。
しかし、簡単にアクセスできるオープンソースツールなど、この分野の開発を妨げる課題がいくつかある。
この調査は、いくつかの新しい視点から、データの課題、融合アプローチ、データセット、ソフトウェアツールの最新の概要を提供することを目的としている。
論文 参考訳（メタデータ） (2022-11-29T12:08:06Z) - Decentralized Distributed Learning with Privacy-Preserving Data
Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。
最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。
ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文 参考訳（メタデータ） (2022-06-20T23:49:38Z) - 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)
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。