論文の概要: Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions

• arxiv url: http://arxiv.org/abs/2401.11252v1
• Date: Sat, 20 Jan 2024 15:14:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-23 17:19:38.526120
• Title: Automated Fusion of Multimodal Electronic Health Records for Better Medical Predictions
• Title（参考訳）: 医療予測のためのマルチモーダル電子健康記録の自動融合
• Authors: Suhan Cui, Jiaqi Wang, Yuan Zhong, Han Liu, Ting Wang, Fenglong Ma
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.0590120095748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread adoption of Electronic Health Record (EHR) systems in healthcare institutes has generated vast amounts of medical data, offering significant opportunities for improving healthcare services through deep learning techniques. However, the complex and diverse modalities and feature structures in real-world EHR data pose great challenges for deep learning model design. To address the multi-modality challenge in EHR data, current approaches primarily rely on hand-crafted model architectures based on intuition and empirical experiences, leading to sub-optimal model architectures and limited performance. Therefore, to automate the process of model design for mining EHR data, we propose a novel neural architecture search (NAS) framework named AutoFM, which can automatically search for the optimal model architectures for encoding diverse input modalities and fusion strategies. We conduct thorough experiments on real-world multi-modal EHR data and prediction tasks, and the results demonstrate that our framework not only achieves significant performance improvement over existing state-of-the-art methods but also discovers meaningful network architectures effectively.
• Abstract（参考訳）: 医療機関における電子健康記録(ehr)システムの普及は、膨大な医療データを生み出し、深層学習技術による医療サービスの改善に大きな機会を与えている。 しかし、実世界のEHRデータにおける複雑で多様なモダリティと特徴構造は、ディープラーニングモデル設計に大きな課題をもたらします。 EHRデータにおけるマルチモーダリティの課題に対処するため、現在のアプローチは主に直観と経験に基づく手作りのモデルアーキテクチャに依存しており、サブ最適モデルアーキテクチャと限られた性能をもたらす。 そこで,ehlデータのマイニングのためのモデル設計のプロセスを自動化するために,多種多様な入力モダリティと融合戦略を符号化するための最適なモデルアーキテクチャを自動的に探索する,autofm(neural architecture search)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を徹底的に実験し,本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するだけでなく,有意義なネットワークアーキテクチャを効果的に発見できることを実証する。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Rethinking Model Prototyping through the MedMNIST+ Dataset Collection [0.11999555634662634]
  本研究は,MedMNIST+データベースに対する評価環境の多様化のためのベンチマークを示す。 我々は、医用画像分類のための共通畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのアーキテクチャを徹底的に分析する。 この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルは,高額なエンドツーエンドトレーニングとリソース強化アプローチのギャップを埋める上で有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-24T10:19:25Z)
• MMA-DFER: MultiModal Adaptation of unimodal models for Dynamic Facial Expression Recognition in-the-wild [81.32127423981426]
  実世界のアプリケーションでは,音声およびビデオデータに基づくマルチモーダル感情認識が重要である。 近年の手法は、強力なマルチモーダルエンコーダの事前学習に自己教師付き学習(SSL)の進歩を活用することに重点を置いている。 SSL-pre-trained disimodal encoders を用いて,この問題に対する異なる視点とマルチモーダル DFER の性能向上について検討する。
  論文  参考訳（メタデータ） (2024-04-13T13:39:26Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、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)
• Automated Multi-Task Learning for Joint Disease Prediction on Electronic Health Records [4.159498069487535]
  本稿では,タスクグループとアーキテクチャの最適構成を同時に検索できるAutoDPという自動手法を提案する。 ハンドクラフトと自動化された最先端の手法の両方に対して大幅な性能向上を実現し、同時に検索コストを同時に維持する。
  論文  参考訳（メタデータ） (2024-03-06T22:32:48Z)
• HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
  本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。 The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。 HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-15T17:06:26Z)
• Extending Process Discovery with Model Complexity Optimization and Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
  モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。 所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。 医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
  論文  参考訳（メタデータ） (2022-06-10T16:20:59Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Knowledge-Guided Dynamic Systems Modeling: A Case Study on Modeling River Water Quality [8.110949636804774]
  実世界の現象をモデル化することは、エコロジーモデリングや財務予測など、多くの科学と工学の取り組みの焦点である。 複雑な動的システムのための正確なモデルの構築は、基盤となるプロセスの理解を改善し、リソース効率に繋がる。 反対の極端に、データ駆動モデリングはデータから直接モデルを学び、広範囲なデータと潜在的に過剰なフィッティングを生成する。 中間的アプローチであるモデルリビジョンに注目し,事前知識とデータを組み合わせることで,両世界のベストを達成する。
  論文  参考訳（メタデータ） (2021-03-01T06:31:38Z)
• MUFASA: Multimodal Fusion Architecture Search for Electronic Health Records [18.42914458055976]
  我々は最先端のニューラルアーキテクチャサーチ(NAS)手法を拡張し、MUFASA(MUltimodal Fusion Architecture SeArch)を提案する。 MUFASA法は,公益人事データ上で確立されたNASを同等のコストで上回り,その性能を実証的に実証した。 CCS診断コード予測におけるこれらのベースラインと比較すると、発見モデルではトップ5リコールを0.88から0.91に改善し、他のEHRタスクに一般化する能力を示している。
  論文  参考訳（メタデータ） (2021-02-03T23:48:54Z)

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。