Fugu-MT 論文翻訳(概要): Learned Kernels for Interpretable and Efficient Medical Time Series Processing

論文の概要: Learned Kernels for Interpretable and Efficient Medical Time Series Processing

arxiv url: http://arxiv.org/abs/2307.05385v2
Date: Sun, 24 Dec 2023 01:35:11 GMT
ステータス: 処理完了
システム内更新日: 2023-12-27 22:19:43.340791
Title: Learned Kernels for Interpretable and Efficient Medical Time Series Processing
Title（参考訳）: 医用時系列処理の解釈・効率化のための学習カーネル
Authors: Sully F. Chen, Zhicheng Guo, Cheng Ding, Xiao Hu, Cynthia Rudin
Abstract要約: 本稿では,医療時系列処理のためのスパースで解釈可能なアーキテクチャを提案する。我々は、アーティファクト検出の重要なタスクにおいて、アーキテクチャのパワーを実証する。
参考スコア（独自算出の注目度）: 20.943346453655444
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Background: Signal processing methods are the foundation for clinical interpretation across a wide variety of medical applications. The advent of deep learning allowed for an explosion of new models that offered unprecedented performance but at a cost: deep learning models are often compute-intensive and lack interpretability. Methods: We propose a sparse, interpretable architecture for medical time series processing. The method learns a set of lightweight flexible kernels to construct a single-layer neural network, providing a new efficient, robust, and interpretable approach. We introduce novel parameter reduction techniques to further reduce the size of our network. We demonstrate the power of our architecture on the important task of photoplethysmography artifact detection, where our approach has performance similar to the state-of-the-art deep neural networks with several orders of magnitude fewer parameters, allowing for the integration of deep neural network level performance into extremely low-power wearable devices. Results: Our interpretable method achieves greater than 99\% of the performance of the state-of-the-art methods on the artifact detection task, and even outperforms the state-of-the-art on a challenging out-of-distribution test set, while using dramatically fewer parameters (2\% of the parameters of Segade, and about half of the parameters of Tiny-PPG). Conclusions: Learned kernels are competitive with deep neural networks for medical time series processing with dramatically fewer parameters. Our method is particularly suited for real-time applications and low-power devices, and it maintains interpretability.
Abstract（参考訳）: 背景: 信号処理手法は、幅広い医学的応用における臨床解釈の基礎である。ディープラーニングの出現は、前例のないパフォーマンスを提供するが、コストがかかる新しいモデルの爆発を可能にした。方法:医療時系列処理のためのスパースで解釈可能なアーキテクチャを提案する。この方法は軽量で柔軟なカーネルの集合を学習し、単一層ニューラルネットワークを構築し、新しい効率的で堅牢で解釈可能なアプローチを提供する。我々は,ネットワークサイズを更に削減するための新しいパラメータ低減手法を提案する。我々は,我々のアーキテクチャのパワーを,光電容積アーチファクト検出における重要なタスクに実証する。このアプローチは,最先端のディープニューラルネットワークと同様の性能を持ち,数桁のパラメータを削減し,ディープニューラルネットワークレベルのパフォーマンスを極めて低消費電力なウェアラブルデバイスに統合することができる。結果: 本手法は, 人工物検出タスクにおける最先端の手法の性能の99\%以上を達成し, 極めて少ないパラメータ(セガデのパラメータの2\%, 小型ppgのパラメータの約半分)を用いて, 挑戦的な分散テストセットにおいて, 最先端の手法よりも優れていた。結論: 学習されたカーネルは、劇的に少ないパラメータで医療時系列処理を行うために、ディープニューラルネットワークと競合する。本手法は,リアルタイムアプリケーションや低消費電力デバイスに特に適しており,解釈性を維持している。

関連論文リスト

An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
論文参考訳（メタデータ） (2024-07-16T08:21:54Z)
Time Scale Network: A Shallow Neural Network For Time Series Data [18.46091267922322]
時系列データは、しばしば複数の時間スケールで情報で構成されている。この情報を捉えるためのディープラーニング戦略は存在するが、ネットワークを大きくし、より多くのデータを必要とし、計算を要求されやすく、解釈が難しいものが多い。本稿では,離散ウェーブレット変換における翻訳と拡張シーケンスと,従来の畳み込みニューラルネットワークとバックプロパゲーションを組み合わせた,最小かつ計算効率のタイムスケールネットワークを提案する。
論文参考訳（メタデータ） (2023-11-10T16:39:55Z)
PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文参考訳（メタデータ） (2023-10-18T02:59:57Z)
Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文参考訳（メタデータ） (2023-10-06T10:40:46Z)
Sculpting Efficiency: Pruning Medical Imaging Models for On-Device Inference [13.403419873964422]
我々は、事前の作業から最適に設定されたMLモデルにおいて、過剰な運用上の複雑さを強調した。その結果,圧縮速度は1148倍であり,品質の低下は最小限であった。我々は、臨床研究者がより迅速に、よりリアルな使用に適したモデルを開発するための合理化の今後の研究の道を考える。
論文参考訳（メタデータ） (2023-09-10T17:34:14Z)
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)
An Evaluation of Lightweight Deep Learning Techniques in Medical Imaging for High Precision COVID-19 Diagnostics [0.0]
決定支援システムは、画像の物理的検査に固有の課題を緩和する。ほとんどのディープラーニングアルゴリズムは、リソース制約のあるデバイスの実装には適していない。本稿では,MobileNetV2モデルを用いた新型コロナウイルス検出のための軽量深層学習手法の開発と評価について述べる。
論文参考訳（メタデータ） (2023-05-30T13:14:03Z)
A Comparison of Temporal Encoders for Neuromorphic Keyword Spotting with Few Neurons [0.11726720776908518]
SNNにおける時間的エンコーディングと特徴抽出のための2つの神経計算要素について検討した。リソース効率の良いキーワードスポッティングアプリケーションは、これらのエンコーダを使用することで恩恵を受けることができるが、時間定数と重み付けを学習する手法をさらに研究する必要がある。
論文参考訳（メタデータ） (2023-01-24T12:50:54Z)
UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。 Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文参考訳（メタデータ） (2022-12-08T18:59:57Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Searching for Efficient Architecture for Instrument Segmentation in Robotic Surgery [58.63306322525082]
ほとんどのアプリケーションは、高解像度の外科画像の正確なリアルタイムセグメンテーションに依存している。我々は,高解像度画像のリアルタイム推論を行うために調整された,軽量で高効率なディープ残差アーキテクチャを設計する。
論文参考訳（メタデータ） (2020-07-08T21:38:29Z)

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。