論文の概要: A ModelOps-based Framework for Intelligent Medical Knowledge Extraction
- arxiv url: http://arxiv.org/abs/2310.02593v1
- Date: Wed, 4 Oct 2023 05:35:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 16:22:00.738430
- Title: A ModelOps-based Framework for Intelligent Medical Knowledge Extraction
- Title(参考訳): インテリジェント医療知識抽出のためのモデルOpsベースのフレームワーク
- Authors: Hongxin Ding, Peinie Zou, Zhiyuan Wang, Junfeng Zhao, Yasha Wang and
Qiang Zhou
- Abstract要約: 本稿では,モデルOpsに基づくインテリジェント医療知識抽出フレームワークを提案する。
モデル選択、トレーニング、評価、最適化のためのローコードシステムを提供する。
我々のフレームワークは、研究者がモデルを開発し、医師のような非AI専門家のモデルアクセスを簡易化するのに役立つ。
- 参考スコア(独自算出の注目度): 20.800484664872148
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting medical knowledge from healthcare texts enhances downstream tasks
like medical knowledge graph construction and clinical decision-making.
However, the construction and application of knowledge extraction models lack
automation, reusability and unified management, leading to inefficiencies for
researchers and high barriers for non-AI experts such as doctors, to utilize
knowledge extraction. To address these issues, we propose a ModelOps-based
intelligent medical knowledge extraction framework that offers a low-code
system for model selection, training, evaluation and optimization.
Specifically, the framework includes a dataset abstraction mechanism based on
multi-layer callback functions, a reusable model training, monitoring and
management mechanism. We also propose a model recommendation method based on
dataset similarity, which helps users quickly find potentially suitable models
for a given dataset. Our framework provides convenience for researchers to
develop models and simplifies model access for non-AI experts such as doctors.
- Abstract(参考訳): 医療用テキストから医療知識を抽出することで、医療知識グラフの構築や臨床意思決定といった下流業務が強化される。
しかし、知識抽出モデルの構築と適用は、自動化、再利用性、統一管理が欠如しており、研究者の非効率性や、医師などの非ai専門家が知識抽出を利用するための高い障壁を生んでいる。
本稿では,モデル選択,トレーニング,評価,最適化のためのローコードシステムを提供する,modelopsベースの知的医療知識抽出フレームワークを提案する。
具体的には、多層コールバック関数に基づくデータセット抽象化機構、再利用可能なモデルトレーニング、監視、管理機構を含む。
また,データセットの類似性に基づいたモデル推薦手法を提案する。
我々のフレームワークは、研究者がモデルを開発し、医師のような非AI専門家のモデルアクセスを簡易化するのに役立つ。
関連論文リスト
- Training Small Multimodal Models to Bridge Biomedical Competency Gap: A
Case Study in Radiology Imaging [114.43429928419755]
バイオメディカル・コンピテンシー・ギャップを橋渡しするオープンソース小型マルチモーダル・モデル(SMM)の訓練について検討する。
LLaVA-Radは高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳(メタデータ) (2024-03-12T18:12:02Z) - OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models
in Medicine [55.29668193415034]
マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。
これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。
様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
論文 参考訳(メタデータ) (2024-02-28T03:51:02Z) - Automated Fusion of Multimodal Electronic Health Records for Better
Medical Predictions [48.0590120095748]
本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。
我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
論文 参考訳(メタデータ) (2024-01-20T15:14:14Z) - Foundational Models in Medical Imaging: A Comprehensive Survey and
Future Vision [6.2847894163744105]
ファンデーションモデルは、広範囲の下流タスクに適応した大規模で事前訓練されたディープラーニングモデルである。
これらのモデルは、コンテキスト推論、一般化、テスト時の迅速な機能を促進する。
コンピュータビジョンの進歩に乗じて、医療画像はこれらのモデルへの関心も高まっている。
論文 参考訳(メタデータ) (2023-10-28T12:08:12Z) - Towards Medical Artificial General Intelligence via Knowledge-Enhanced
Multimodal Pretraining [121.89793208683625]
医療人工知能(MAGI)は、1つの基礎モデルで異なる医療課題を解くことができる。
我々は、Micical-knedge-enhanced mulTimOdal pretRaining (motoR)と呼ばれる新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2023-04-26T01:26:19Z) - medigan: A Python Library of Pretrained Generative Models for Enriched
Data Access in Medical Imaging [3.8568465270960264]
mediganは、オープンソースのフレームワークに依存しないPythonライブラリとして実装された、事前訓練された生成モデルのワンストップショップである。
研究者や開発者は、ほんの数行のコードでトレーニングデータを作成し、拡大し、ドメインに適応することができる。
ライブラリのスケーラビリティと設計は、統合され、容易に利用できる事前訓練された生成モデルの増加によって実証される。
論文 参考訳(メタデータ) (2022-09-28T23:45:33Z) - Do it Like the Doctor: How We Can Design a Model That Uses Domain
Knowledge to Diagnose Pneumothorax [2.2141630212818306]
肺がん診断の解釈を専門とする医師による2つのシンク・アラウド研究を行い, 肺気胸の関連領域の知識を抽出した。
我々は知識工学の概念を応用し、神経性胸腺症を自動的に診断するためのAIモデル設計を推奨した。
論文 参考訳(メタデータ) (2022-05-24T15:42:43Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Recovering Quantitative Models of Human Information Processing with
Differentiable Architecture Search [0.3384279376065155]
定量的モデルの自動構築のためのオープンソースのパイプラインを導入する。
これらの手法は、心理物理学、学習、意思決定のモデルから基本的な定量的モチーフを回復することができる。
論文 参考訳(メタデータ) (2021-03-25T16:00:23Z) - A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。
これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。
提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文 参考訳(メタデータ) (2021-02-26T17:49:58Z)
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。