論文の概要: Class-Incremental Continual Learning for General Purpose Healthcare Models

• arxiv url: http://arxiv.org/abs/2311.04301v1
• Date: Tue, 7 Nov 2023 19:17:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-09 17:54:42.342690
• Title: Class-Incremental Continual Learning for General Purpose Healthcare Models
• Title（参考訳）: 汎用医療モデルのためのクラスインクリメンタル連続学習
• Authors: Amritpal Singh, Mustafa Burak Gurbuz, Shiva Souhith Gantha, Prahlad Jasti
• Abstract要約: 継続的な学習は、以前のタスクのパフォーマンス低下なしに、新しいタスクを学習することを可能にする。 単一モデルは、異なる専門分野から新しいタスクを逐次学習し、単純メソッドに匹敵するパフォーマンスを達成することができる。
• 参考スコア（独自算出の注目度）: 3.768737590492549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare clinics regularly encounter dynamic data that changes due to variations in patient populations, treatment policies, medical devices, and emerging disease patterns. Deep learning models can suffer from catastrophic forgetting when fine-tuned in such scenarios, causing poor performance on previously learned tasks. Continual learning allows learning on new tasks without performance drop on previous tasks. In this work, we investigate the performance of continual learning models on four different medical imaging scenarios involving ten classification datasets from diverse modalities, clinical specialties, and hospitals. We implement various continual learning approaches and evaluate their performance in these scenarios. Our results demonstrate that a single model can sequentially learn new tasks from different specialties and achieve comparable performance to naive methods. These findings indicate the feasibility of recycling or sharing models across the same or different medical specialties, offering another step towards the development of general-purpose medical imaging AI that can be shared across institutions.
• Abstract（参考訳）: 医療クリニックは、患者数の変動、治療方針、医療機器、新興疾患パターンによって変化するダイナミックなデータに定期的に遭遇する。 ディープラーニングモデルは、このようなシナリオで微調整された場合、壊滅的な忘れに苦しむ可能性がある。 継続的学習は、新しいタスクで以前のタスクのパフォーマンスを落とさずに学習できる。 本研究は, 多様なモダリティ, 臨床専門, 病院の10の分類データセットを含む4つの異なる医療画像シナリオにおける連続学習モデルの性能について検討する。 各種の連続学習手法を実装し,これらのシナリオにおける性能評価を行った。 その結果,1つのモデルが異なる専門分野から新しいタスクを逐次学習し,ナイーブな手法に匹敵する性能が得られることがわかった。 これらの結果は,同一あるいは異なる医療分野におけるリサイクルやモデル共有の実現可能性を示し,組織間で共有可能な汎用医用画像aiの開発に向けた新たな一歩となる。

関連論文リスト

• Personalized Event Prediction for Electronic Health Records [7.224184629864593]
  臨床イベントシーケンスは、時間内の患者のケアの記録を表す数百の臨床イベントから構成される。 臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。
  論文  参考訳（メタデータ） (2023-08-21T20:03:16Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
  本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。 本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。 私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
  論文  参考訳（メタデータ） (2022-09-21T12:30:05Z)
• Patient Aware Active Learning for Fine-Grained OCT Classification [12.89552245538411]
  本稿では,アクティブラーニングのサンプル選択プロセスに臨床知見を取り入れたフレームワークを提案する。 医学的に解釈可能な能動学習フレームワークは, OCT分類の性能向上のために, 患者から多彩な疾患の徴候を捉えている。
  論文  参考訳（メタデータ） (2022-06-23T05:47:51Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Learning Predictive and Interpretable Timeseries Summaries from ICU Data [33.787187660310444]
  本研究では,ヒトが予測的かつ容易に理解できる臨床時系列の要約を学習するための新しい手法を提案する。 学習した要約は従来の解釈可能なモデルクラスより優れており、病院内死亡率分類タスクにおける最先端のディープラーニングモデルに匹敵する性能を実現している。
  論文  参考訳（メタデータ） (2021-09-22T21:14:05Z)
• 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)
• A Visual Analytics System for Multi-model Comparison on Clinical Data Predictions [21.86694022749115]
  我々は,複数のモデルの予測基準を比較し,その一貫性を評価する視覚分析システムを開発した。 我々は,臨床医や研究者が異なる機械学習手法を比較し,定量的に評価する上で,本システムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-02-18T20:33:04Z)

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。