論文の概要: ISLE: An Intelligent Streaming Framework for High-Throughput AI Inference in Medical Imaging

• arxiv url: http://arxiv.org/abs/2305.15617v2
• Date: Sat, 25 Nov 2023 17:37:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 16:09:38.244292
• Title: ISLE: An Intelligent Streaming Framework for High-Throughput AI Inference in Medical Imaging
• Title（参考訳）: ISLE:医療画像における高出力AI推論のためのインテリジェントストリーミングフレームワーク
• Authors: Pranav Kulkarni, Sean Garin, Adway Kanhere, Eliot Siegel, Paul H. Yi, Vishwa S. Parekh
• Abstract要約: ISLEは、高スループット、計算および帯域幅最適化、コスト効率のよいAI推論のためのインテリジェントなストリーミングフレームワークである。 我々は、ISLEがより高速なターンアラウンドタイムを実現し、AIシステムを用いた臨床判断に悪影響を及ぼすことなく、データ、送信、計算の全体的なコストを削減できることを示した。
• 参考スコア（独自算出の注目度）: 3.8129962526689702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the adoption of Artificial Intelligence (AI) systems within the clinical environment grows, limitations in bandwidth and compute can create communication bottlenecks when streaming imaging data, leading to delays in patient care and increased cost. As such, healthcare providers and AI vendors will require greater computational infrastructure, therefore dramatically increasing costs. To that end, we developed ISLE, an intelligent streaming framework for high-throughput, compute- and bandwidth- optimized, and cost effective AI inference for clinical decision making at scale. In our experiments, ISLE on average reduced data transmission by 98.02% and decoding time by 98.09%, while increasing throughput by 2,730%. We show that ISLE results in faster turnaround times, and reduced overall cost of data, transmission, and compute, without negatively impacting clinical decision making using AI systems.
• Abstract（参考訳）: 臨床環境における人工知能(AI)システムの採用が増加するにつれて、帯域幅と計算の制限により、画像データのストリーミング時に通信ボトルネックが発生し、患者の治療が遅れ、コストが上昇する。 そのため、医療提供者やAIベンダーはより大きな計算インフラを必要とするため、コストは劇的に増加する。 そこで我々は,高スループット,計算量,帯域幅最適化,コスト効率のよいAI推論のためのインテリジェントストリーミングフレームワークISLEを開発した。 実験では、平均でデータ伝送量を98.02%削減し、復号化時間を98.09%削減し、スループットを2,730%向上させた。 我々は,aiシステムを用いた臨床意思決定に悪影響を及ぼすことなく,isleのターンアラウンド時間が速くなり,データ,送信,計算全体のコストが削減されることを示した。

関連論文リスト

• AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
  本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。 私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。 提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
  論文  参考訳（メタデータ） (2025-02-14T14:56:58Z)
• Leveraging AI for Automatic Classification of PCOS Using Ultrasound Imaging [0.0]
  AUTO-PCOS分類チャレンジは、多嚢胞性卵巣症候群(PCOS)の同定における人工知能(AI)の診断能力の向上を目指す 本稿では,InceptionV3アーキテクチャを用いたトランスファーラーニングを利用した堅牢なAIパイプライン構築手法について概説する。
  論文  参考訳（メタデータ） (2024-12-30T11:56:11Z)
• Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
  移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。 深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
  論文  参考訳（メタデータ） (2024-12-21T10:18:55Z)
• Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
  本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。 この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
  論文  参考訳（メタデータ） (2024-08-26T17:03:14Z)
• Speaking the Same Language: Leveraging LLMs in Standardizing Clinical Data for AI [0.0]
  本研究は、医療データの標準化など、特定の課題に対処するため、大規模言語モデルの採用を念頭においている。 この結果から,大規模言語モデルを用いることで手作業によるデータキュレーションの必要性が著しく低下することが示唆された。 提案手法は、医療におけるAIの統合を迅速化し、患者のケアの質を向上させるとともに、AIのためのデータ作成に必要な時間と資金を最小化する。
  論文  参考訳（メタデータ） (2024-08-16T20:51:21Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Applying Bayesian Ridge Regression AI Modeling in Virus Severity Prediction [0.0]
  医療専門家に最先端ウイルス分析をもたらすAIモデルであるBayesian Ridge Regressionの長所と短所をレビューする。 モデルの精度評価は有望な結果を示し、改善の余地があった。 さらに、重症度指数は、患者のケアニーズを概観するための貴重なツールとして機能する。
  論文  参考訳（メタデータ） (2023-10-14T04:17:00Z)
• A Conceptual Algorithm for Applying Ethical Principles of AI to Medical Practice [5.005928809654619]
  AIを利用するツールは、複数のドメインにまたがる専門家レベルのパフォーマンスに、ますます一致するか、超えている。 これらのシステムは、人口、人種、社会経済の境界を越えたケア提供の格差を減らすことを約束している。 このようなAIツールの民主化は、ケアコストを削減し、リソース割り当てを最適化し、ケアの質を向上させる。
  論文  参考訳（メタデータ） (2023-04-23T04:14:18Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Edge Intelligence for Empowering IoT-based Healthcare Systems [42.909808437026136]
  この記事では、スマートヘルスケアシステムにおけるAIとともに、エッジインテリジェント技術のメリットを強調します。 スマートヘルスケアシステムにおけるAIとエッジ技術の利用を促進するために、新しいスマートヘルスケアモデルが提案されている。
  論文  参考訳（メタデータ） (2021-03-22T19:35:06Z)

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。