論文の概要: All-in-one platform for AI R&D in medical imaging, encompassing data
collection, selection, annotation, and pre-processing
- arxiv url: http://arxiv.org/abs/2403.06145v1
- Date: Sun, 10 Mar 2024 09:24:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 07:28:32.193166
- Title: All-in-one platform for AI R&D in medical imaging, encompassing data
collection, selection, annotation, and pre-processing
- Title（参考訳）: データ収集、選択、アノテーション、前処理を含む医療画像におけるAI R&Dのためのオールインワンプラットフォーム
- Authors: Changhee Han, Kyohei Shibano, Wataru Ozaki, Keishiro Osaki, Takafumi
Haraguchi, Daisuke Hirahara, Shumon Kimura, Yasuyuki Kobayashi, Gento Mogi
- Abstract要約: Deep Learningは医療画像研究開発(R&D)を推進しており、AI/MLベースの医療機器の頻繁な臨床利用につながっている。
しかし、AIR&Dを前進させるためには、1) ヨーロッパ/アメリカ、そしてアジアからの10%未満のデータを含む重要なデータ不均衡、2) 世界の人口の60%を占めること、2) 商用利用のためにデータセットをキュレートするために必要な時間と投資の2つの課題が生じる。
そこで我々は,1)データ収集,2)データ選択,3)アノテーション,および4)事前処理などのステップを含む,最初の商用医用イメージングプラットフォームを構築した。
- 参考スコア（独自算出の注目度）: 0.6291643559814802
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning is advancing medical imaging Research and Development (R&D),
leading to the frequent clinical use of Artificial Intelligence/Machine
Learning (AI/ML)-based medical devices. However, to advance AI R&D, two
challenges arise: 1) significant data imbalance, with most data from
Europe/America and under 10% from Asia, despite its 60% global population
share; and 2) hefty time and investment needed to curate proprietary datasets
for commercial use. In response, we established the first commercial medical
imaging platform, encompassing steps like: 1) data collection, 2) data
selection, 3) annotation, and 4) pre-processing. Moreover, we focus on
harnessing under-represented data from Japan and broader Asia, including
Computed Tomography, Magnetic Resonance Imaging, and Whole Slide Imaging scans.
Using the collected data, we are preparing/providing ready-to-use datasets for
medical AI R&D by 1) offering these datasets to AI firms, biopharma, and
medical device makers and 2) using them as training/test data to develop
tailored AI solutions for such entities. We also aim to merge Blockchain for
data security and plan to synthesize rare disease data via generative AI.
DataHub Website: https://medical-datahub.ai/
- Abstract（参考訳）: Deep Learningは医療画像研究開発(R&D)を推進しており、AI/MLベースの医療機器の頻繁な臨床利用につながっている。
しかし、AI研究開発を進めるには、2つの課題が生じる。
1) 人口の60%を占めるにもかかわらず、ヨーロッパ/アメリカのデータの大半がアジアから10%以下である重要なデータ不均衡。
2)商用利用のためのプロプライエタリデータセットのキュレーションに必要な膨大な時間と投資。
そこで我々は,次のステップを含む最初の商用医療画像プラットフォームを構築した。
1)データ収集
2)データ選択
3)アノテーション,及び
4)前処理。
さらに, 超音波断層撮影, 磁気共鳴画像, 全スライディング画像スキャンなど, 日本および広域アジアにおける低表示データの活用に焦点をあてた。
収集したデータを用いて,医療用ai研究開発のためのデータセットの作成・提供を行う。
1)これらのデータセットをAI企業、バイオファーマ、医療機器メーカーに提供し、
2)これらをトレーニング/テストデータとして使用して,そのようなエンティティに適したAIソリューションを開発する。
データセキュリティのためにBlockchainをマージすることや、生成AIを通じて稀な疾患データを合成する計画も目指しています。
DataHub Webサイト: https://medical-datahub.ai/
関連論文リスト
- Embracing Massive Medical Data [8.458637345001758]
大規模医療データからAIを訓練するオンライン学習手法を提案する。
提案手法は,データの特異性と予測の不確実性に基づいて,現在のAIモデルの最も重要なサンプルを同定する。
一般的なトレーニングパラダイムと比較して,本手法は連続的なデータストリームのトレーニングを可能にすることにより,データ効率を向上させるだけでなく,破滅的な忘れを緩和する。
論文 参考訳（メタデータ） (2024-07-05T17:50:30Z) - On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T14:01:53Z) - A Revolution of Personalized Healthcare: Enabling Human Digital Twin
with Mobile AIGC [54.74071593520785]
モバイルAIGCは、ヒューマンデジタルツイン(HDT)と呼ばれる新興アプリケーションのキーとなる技術である
モバイルAIGCによって強化されたHDTは、まれな疾患データを生成し、高忠実なデジタルツインをモデル化し、多目的テストベッドを構築し、24/7のカスタマイズ医療サービスを提供することで、パーソナライズされたヘルスケアに革命をもたらすことが期待されている。
論文 参考訳（メタデータ） (2023-07-22T15:59:03Z) - Data-centric Artificial Intelligence: A Survey [47.24049907785989]
近年、AIにおけるデータの役割は大幅に拡大し、データ中心AIという新たな概念が生まれた。
本稿では,データ中心型AIの必要性について論じ,続いて3つの一般的なデータ中心型目標の全体像を考察する。
これは、データライフサイクルのさまざまな段階にわたるタスクのグローバルなビューを提供する、初めての総合的な調査である、と私たちは信じています。
論文 参考訳（メタデータ） (2023-03-17T17:44:56Z) - Data-centric AI: Perspectives and Challenges [51.70828802140165]
データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。
データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
論文 参考訳（メタデータ） (2023-01-12T05:28:59Z) - Non-Imaging Medical Data Synthesis for Trustworthy AI: A Comprehensive
Survey [6.277848092408045]
データ品質は、医療において信頼できるAIを開発する上で重要な要素である。
高品質なデータセットへのアクセスは、データ取得の技術的困難によって制限される。
医療データの大規模な共有は、厳格な倫理的制約によって妨げられている。
論文 参考訳（メタデータ） (2022-09-17T13:34:17Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳（メタデータ） (2022-02-14T12:12:20Z) - A Methodology for a Scalable, Collaborative, and Resource-Efficient
Platform to Facilitate Healthcare AI Research [0.0]
本稿では,データ取得,データセット開発と分析,AIモデル開発を高速化するシステムを提案する。
このシステムは、1時間に15,000人の患者記録を取り込み、各記録は何千もの測定値、テキストノート、高解像度のデータを表す。
論文 参考訳（メタデータ） (2021-12-13T18:39:10Z) - A Systematic Collection of Medical Image Datasets for Deep Learning [37.476768951211206]
ディープラーニングアルゴリズムはデータ依存であり、トレーニングには大規模なデータセットを必要とする。
医用画像領域におけるデータ不足は、深層学習を医用画像解析に応用するためのボトルネックとなる。
本稿では、深層学習研究における課題について、医用画像データセットのコレクションを提供する。
論文 参考訳（メタデータ） (2021-06-24T10:00:30Z)
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。