論文の概要: CohortFinder: an open-source tool for data-driven partitioning of
biomedical image cohorts to yield robust machine learning models
- arxiv url: http://arxiv.org/abs/2307.08673v1
- Date: Mon, 17 Jul 2023 17:34:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 11:56:55.793754
- Title: CohortFinder: an open-source tool for data-driven partitioning of
biomedical image cohorts to yield robust machine learning models
- Title（参考訳）: cohortfinder: ロバストな機械学習モデルを実現するための、バイオメディカルイメージコホートのデータ駆動パーティショニングのためのオープンソースツール
- Authors: Fan Fan, Georgia Martinez, Thomas Desilvio, John Shin, Yijiang Chen,
Bangchen Wang, Takaya Ozeki, Maxime W. Lafarge, Viktor H. Koelzer, Laura
Barisoni, Anant Madabhushi, Satish E. Viswanath, Andrew Janowczyk
- Abstract要約: バッチエフェクト(BE)とは、機械学習(ML)モデルの一般化性に悪影響を及ぼすことを示す生物学的変異に関連のない、データ収集における系統的な技術的差異を指す。
ここでは、データ駆動のコホートパーティショニングによるBEの緩和を目的としたオープンソースのツールであるCohortFinderをリリースする。
- 参考スコア（独自算出の注目度）: 3.1300896655195323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Batch effects (BEs) refer to systematic technical differences in data
collection unrelated to biological variations whose noise is shown to
negatively impact machine learning (ML) model generalizability. Here we release
CohortFinder, an open-source tool aimed at mitigating BEs via data-driven
cohort partitioning. We demonstrate CohortFinder improves ML model performance
in downstream medical image processing tasks. CohortFinder is freely available
for download at cohortfinder.com.
- Abstract（参考訳）: バッチエフェクト(BE)とは、機械学習(ML)モデルの一般化性に悪影響を及ぼすことを示す生物学的変異に関連のない、データ収集における系統的な技術的差異を指す。
ここでは、データ駆動のコホートパーティショニングによるBEの緩和を目的としたオープンソースのツールであるCohortFinderをリリースする。
我々は、下流の医療画像処理タスクにおいて、CohortFinderがMLモデルの性能を向上させることを示す。
CohortFinderはCohortfinder.comで無料でダウンロードできる。
関連論文リスト
- GAMformer: In-Context Learning for Generalized Additive Models [53.08263343627232]
本稿では,1つの前方パスにおけるGAMの形状関数を推定するために,文脈内学習を利用した最初の手法であるGAMformerを紹介する。
実験の結果,GAMformerは様々な分類ベンチマークにおいて,他の主要なGAMと同等に動作することがわかった。
論文 参考訳（メタデータ） (2024-10-06T17:28:20Z) - Artificial Data Point Generation in Clustered Latent Space for Small
Medical Datasets [4.542616945567623]
本稿では,クラスタ化潜在空間(AGCL)における人工データポイント生成手法を提案する。
AGCLは、合成データ生成により、小さな医療データセットの分類性能を向上させるように設計されている。
顔の表情データを利用してパーキンソン病検診に応用した。
論文 参考訳（メタデータ） (2024-09-26T09:51:08Z) - Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference [67.36605226797887]
統一型異常検出(MINT-AD)のためのマルチクラスインプリシトニューラル表現変換器を提案する。
マルチクラス分布を学習することにより、モデルが変換器デコーダのクラス対応クエリ埋め込みを生成する。
MINT-ADは、カテゴリと位置情報を特徴埋め込み空間に投影することができ、さらに分類と事前確率損失関数によって監督される。
論文 参考訳（メタデータ） (2024-03-21T08:08:31Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳（メタデータ） (2023-05-19T10:11:21Z) - 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) - Inference post Selection of Group-sparse Regression Models [2.1485350418225244]
条件推論は、自動モデル選択からのデータが推論のために再利用されるとき、バイアスに対処するための厳密なアプローチを提供する。
本稿では,線形モデル内の不確実性を評価するための統計的に一貫したベイズ的枠組みを開発する。
遺伝子、タンパク質、遺伝的変異体、神経画像計測がそれぞれ生物学的経路、分子機能、調節領域、認知的役割によってグループ化された場合、これらのモデルはグループスパース学習アルゴリズムの有用なクラスによって選択される。
論文 参考訳（メタデータ） (2020-12-31T15:43:26Z) - A deep learning classifier for local ancestry inference [63.8376359764052]
局所祖先推論は、個人のゲノムの各セグメントの祖先を特定する。
我々は,エンコーダ・デコーダアーキテクチャを備えた深層畳み込みニューラルネットワークを用いた新しいLAIツールを開発した。
我々は,既存のゴールド標準ツール RFMix とほぼ同等の精度で,ゼロショットタスクとしてアドミキシングを学習できることを実証した。
論文 参考訳（メタデータ） (2020-11-04T00:42:01Z) - 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) - Deep brain state classification of MEG data [2.9048924265579124]
本稿では、Human Connectome Project(HCP)が提供するMEGデータと、様々な深層ニューラルネットワークモデルを組み合わせて脳復号を行う。
論文 参考訳（メタデータ） (2020-07-02T05:51:57Z) - Knowledge Distillation for Brain Tumor Segmentation [0.0]
本研究では,学習過程におけるモデルの性能とデータ量との関係について検討する。
追加データでトレーニングされた単一のモデルは、複数のモデルのアンサンブルに近いパフォーマンスを達成し、個々のメソッドより優れています。
論文 参考訳（メタデータ） (2020-02-10T12:44:07Z)
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。