論文の概要: Seeing the random forest through the decision trees. Supporting learning health systems from histopathology with machine learning models: Challenges and opportunities

• arxiv url: http://arxiv.org/abs/2312.03812v1
• Date: Wed, 6 Dec 2023 18:24:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-08 17:13:49.820497
• Title: Seeing the random forest through the decision trees. Supporting learning health systems from histopathology with machine learning models: Challenges and opportunities
• Title（参考訳）: 決定木を通してランダムな森を見る。 機械学習モデルを用いた病理組織から健康システムへの学習支援 : 課題と機会
• Authors: Ricardo Gonzalez, Ashirbani Saha, Clinton J.V. Campbell, Peyman Nejat, Cynthia Lokker, Andrew P. Norgan
• Abstract要約: 本稿では,機械学習モデルを用いた病理組織学における課題について論じる。 著者らは、これらの課題を緩和戦略に従って分離した後に詳述した。 そして、デジタル化された病理組織学スライドから抽出された隠された情報を他の医療ビッグデータと統合して「ラーニングヘルスシステム」をサポートする新たな機会を提示する。
• 参考スコア（独自算出の注目度）: 0.5792122879054292
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper discusses some overlooked challenges faced when working with machine learning models for histopathology and presents a novel opportunity to support "Learning Health Systems" with them. Initially, the authors elaborate on these challenges after separating them according to their mitigation strategies: those that need innovative approaches, time, or future technological capabilities and those that require a conceptual reappraisal from a critical perspective. Then, a novel opportunity to support "Learning Health Systems" by integrating hidden information extracted by ML models from digitalized histopathology slides with other healthcare big data is presented.
• Abstract（参考訳）: 本稿では, 機械学習モデルを用いた病理組織学における課題について考察し, 「ラーニングヘルスシステム」 をサポートする新たな機会を提示する。 まず、著者らはこれらの課題を緩和戦略に従って分割した後、詳しく説明した: 革新的なアプローチ、時間、将来の技術能力を必要とするもの、そして批判的な視点から概念の再評価を必要とするもの。 次に,mlモデルから抽出した隠れ情報をデジタル化病理学スライドと他の医療ビッグデータと統合して,"学習医療システム"を支援する新たな機会を提案する。

関連論文リスト

• Hair and scalp disease detection using deep learning [0.3958317527488534]
  本稿では, 皮膚科における先駆的アプローチについて紹介し, 毛髪・頭皮疾患の検出のための堅牢な方法を提案する。 提案手法は画像認識における有効性でよく知られている畳み込みニューラルネットワーク(CNN)に依存している。 本システムは, 早期診断・診断の非侵襲的かつ高効率な手段として, 皮膚科診断の進歩を示す。
  論文  参考訳（メタデータ） (2024-03-09T04:49:40Z)
• Review of deep learning in healthcare [0.0]
  本研究では,最先端ネットワーク設計,応用,市場動向の検証を通じて,医療システムにおける深層学習手法について検討する。 第一の目的は、ヘルスケアソリューションにおけるディープラーニングモデルの展開に関する詳細な洞察を提供することである。 そして最後に、未解決の問題と潜在的な方向性を概説する。
  論文  参考訳（メタデータ） (2023-10-01T16:58:20Z)
• Privacy-preserving machine learning for healthcare: open challenges and future perspectives [72.43506759789861]
  医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。 プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。 このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
  論文  参考訳（メタデータ） (2023-03-27T19:20:51Z)
• An Interactive Interpretability System for Breast Cancer Screening with Deep Learning [11.28741778902131]
  乳がん検診の放射線科医を支援するために,最先端の解釈可能性技術を活用するインタラクティブシステムを提案する。 本システムは, 深層学習モデルを放射線学者のワークフローに統合し, モデル決定プロセスの理解を促進するために, 新たなインタラクションを提供する。
  論文  参考訳（メタデータ） (2022-09-30T02:19:49Z)
• 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)
• 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)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• A Survey on Neural-symbolic Learning Systems [33.01131861279175]
  本研究の目的は,ニューラルシンボリック学習システムの進歩を4つの異なる視点から調査することである。 この研究は、研究者が包括的で総合的な概要を提供するために、この新たな分野を前進させることを目的としている。
  論文  参考訳（メタデータ） (2021-11-10T06:26:40Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Deep neural network models for computational histopathology: A survey [1.2891210250935146]
  深層学習は がん組織像の分析と解釈において 主流の方法論選択となりました 本稿では,現在使われている最先端の深層学習手法について概説する。 私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
  論文  参考訳（メタデータ） (2019-12-28T01:04:25Z)

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。