論文の概要: Specialty detection in the context of telemedicine in a highly imbalanced multi-class distribution

• arxiv url: http://arxiv.org/abs/2402.14039v1
• Date: Wed, 21 Feb 2024 06:39:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-23 17:33:27.948703
• Title: Specialty detection in the context of telemedicine in a highly imbalanced multi-class distribution
• Title（参考訳）: 高度不均衡マルチクラス分布における遠隔医療の文脈における特殊性検出
• Authors: Alaa Alomari, Hossam Faris, Pedro A. Castillo
• Abstract要約: この研究は、アラビア語の医学的問題に対するマルチクラスと高度に不均衡なデータセットを扱うことに焦点を当てている。 提案されたモジュールは、同期および非同期の医療コンサルテーションの両方にデプロイされる。
• 参考スコア（独自算出の注目度）: 3.992328888937568
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Covid-19 pandemic has led to an increase in the awareness of and demand for telemedicine services, resulting in a need for automating the process and relying on machine learning (ML) to reduce the operational load. This research proposes a specialty detection classifier based on a machine learning model to automate the process of detecting the correct specialty for each question and routing it to the correct doctor. The study focuses on handling multiclass and highly imbalanced datasets for Arabic medical questions, comparing some oversampling techniques, developing a Deep Neural Network (DNN) model for specialty detection, and exploring the hidden business areas that rely on specialty detection such as customizing and personalizing the consultation flow for different specialties. The proposed module is deployed in both synchronous and asynchronous medical consultations to provide more real-time classification, minimize the doctor effort in addressing the correct specialty, and give the system more flexibility in customizing the medical consultation flow. The evaluation and assessment are based on accuracy, precision, recall, and F1-score. The experimental results suggest that combining multiple techniques, such as SMOTE and reweighing with keyword identification, is necessary to achieve improved performance in detecting rare classes in imbalanced multiclass datasets. By using these techniques, specialty detection models can more accurately detect rare classes in real-world scenarios where imbalanced data is common.
• Abstract（参考訳）: Covid-19パンデミックにより、遠隔医療サービスの認識と需要が増加し、プロセスの自動化と運用負荷軽減のために機械学習(ML)に依存する必要が生じた。 本研究では,機械学習モデルに基づく専門性検出分類器を提案し,質問毎に正しい専門性を検出し,それを正しい医師にルーティングするプロセスを自動化する。 本研究は、アラビア語の医学的問題に対するマルチクラスデータセットと高度不均衡データセットの扱い、オーバーサンプリング技術の比較、専門性検出のためのディープニューラルネットワーク(DNN)モデルの開発、専門性検出に依存する隠蔽ビジネス領域の探索に焦点を当てた。 提案モジュールは同期型および非同期型の医療相談の両方にデプロイされ、よりリアルタイムな分類を提供し、適切な専門性に対処する医師の努力を最小限に抑え、医療相談フローをカスタマイズする柔軟性を高める。 評価と評価は精度、精度、リコール、F1スコアに基づいて行われる。 実験結果から,SMOTEなどの複数の手法とキーワード識別を併用することで,不均衡なマルチクラスデータセットにおける希少クラスの検出性能を向上させることが示唆された。 これらの技術を利用することで、不均衡なデータが一般的である現実世界のシナリオにおいて、特殊性検出モデルはより正確にレアクラスを検出できる。

関連論文リスト

• Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
  Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。 医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。 実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
  論文  参考訳（メタデータ） (2024-11-14T06:19:18Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Med-MoE: Mixture of Domain-Specific Experts for Lightweight Medical Vision-Language Models [17.643421997037514]
  差別的, 生成的両マルチモーダル医療課題に対処する新しい枠組みを提案する。 Med-MoEの学習は、マルチモーダル医療アライメント、命令チューニングとルーティング、ドメイン固有のMoEチューニングの3つのステップで構成されている。 我々のモデルは最先端のベースラインに匹敵する性能を達成できる。
  論文  参考訳（メタデータ） (2024-04-16T02:35:17Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)
• MVMTnet: A Multi-variate Multi-modal Transformer for Multi-class Classification of Cardiac Irregularities Using ECG Waveforms and Clinical Notes [4.648677931378919]
  ディープラーニングは、臨床ベースのアプリケーションのための診断と患者モニタリングを最適化するために使用することができる。 心臓血管疾患では、世界中の様々な地域で医療資源が利用可能になる傾向がますます高まってきており、心疾患の自動分類が課題となっている。 提案したマルチモーダルトランスフォーマーアーキテクチャは、トランスフォーマーのクロスドメインの有効性を実証しながら、このタスクを正確に実行することができる。
  論文  参考訳（メタデータ） (2023-02-21T21:38:41Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• 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)
• Multimodal Feature Fusion and Knowledge-Driven Learning via Experts Consult for Thyroid Nodule Classification [11.160089265436689]
  コンピュータ支援診断(CAD)は、複数の分野にまたがる臨床医を支援するための重要なアプローチになりつつある。 本研究では,新しいエンド・ツー・エンドの知識駆動型分類フレームワークを提案する。 提案システムは,高度に連結された畳み込みネットワーク(DenseNet)の学習フェーズを案内するために,専門家のアンサンブルによって提供される手がかりを利用する。
  論文  参考訳（メタデータ） (2020-05-28T16:12:04Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。