Fugu-MT 論文翻訳(概要): A Survey of Few-Shot Learning for Biomedical Time Series

論文の概要: A Survey of Few-Shot Learning for Biomedical Time Series

arxiv url: http://arxiv.org/abs/2405.02485v1
Date: Fri, 3 May 2024 21:22:27 GMT
ステータス: 処理完了
システム内更新日: 2024-05-07 19:50:15.800813
Title: A Survey of Few-Shot Learning for Biomedical Time Series
Title（参考訳）: バイオメディカル時系列のFew-Shot Learningに関する調査
Authors: Chenqi Li, Timothy Denison, Tingting Zhu,
Abstract要約: データ駆動型モデルは、臨床診断を支援し、患者のケアを改善する大きな可能性を秘めている。ラベル付きデータの不足を克服する新たなアプローチは、人間のような能力でAIメソッドを拡張して、少数ショット学習と呼ばれる限られた例で新しいタスクを学ぶことだ。本調査は,生物医学的時系列アプリケーションのための数ショット学習手法の総合的なレビューと比較を行う。
参考スコア（独自算出の注目度）: 3.845248204742053
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Advancements in wearable sensor technologies and the digitization of medical records have contributed to the unprecedented ubiquity of biomedical time series data. Data-driven models have tremendous potential to assist clinical diagnosis and improve patient care by improving long-term monitoring capabilities, facilitating early disease detection and intervention, as well as promoting personalized healthcare delivery. However, accessing extensively labeled datasets to train data-hungry deep learning models encounters many barriers, such as long-tail distribution of rare diseases, cost of annotation, privacy and security concerns, data-sharing regulations, and ethical considerations. An emerging approach to overcome the scarcity of labeled data is to augment AI methods with human-like capabilities to leverage past experiences to learn new tasks with limited examples, called few-shot learning. This survey provides a comprehensive review and comparison of few-shot learning methods for biomedical time series applications. The clinical benefits and limitations of such methods are discussed in relation to traditional data-driven approaches. This paper aims to provide insights into the current landscape of few-shot learning for biomedical time series and its implications for future research and applications.
Abstract（参考訳）: ウェアラブルセンサー技術の進歩と医療記録のデジタル化は、生物医学の時系列データにおける前例のないユビキタスさに寄与している。データ駆動型モデルは、長期監視機能を改善し、早期疾患の検出と介入を促進し、パーソナライズされたヘルスケアデリバリーを促進することで、臨床診断を支援し、患者のケアを改善する大きな可能性を秘めている。しかし、データ不足のディープラーニングモデルをトレーニングするために広くラベル付けされたデータセットにアクセスすると、まれな疾患の長期分布、アノテーションのコスト、プライバシとセキュリティ上の懸念、データ共有規則、倫理的考慮など、多くの障壁に直面する。ラベル付きデータの不足を克服する新たなアプローチは、過去の経験を活用して、少数ショット学習と呼ばれる限られた例で新しいタスクを学ぶために、人間のような能力でAIメソッドを拡張することだ。本調査は,生物医学的時系列アプリケーションのための数ショット学習手法の総合的なレビューと比較を行う。このような方法の臨床的メリットと限界は、従来のデータ駆動アプローチに関連して議論される。本研究の目的は,生物医学的時系列における数ショット学習の現在の状況と今後の研究・応用への意義について考察することである。

関連論文リスト

Advancing Histopathology with Deep Learning Under Data Scarcity: A Decade in Review [30.91867799522664]
病理組織学における深層学習の応用について概説する。われわれは過去10年間にデータ不足によって引き起こされた課題に注目している。未調査の研究機会を特定します。
論文参考訳（メタデータ） (2024-10-18T07:29:48Z)
A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
論文参考訳（メタデータ） (2024-07-07T18:02:00Z)
Membership Inference Attacks Against Time-Series Models [0.8437187555622164]
個人情報を含む時系列データは、特に医療分野において、深刻なプライバシー上の懸念を示す。時系列モデルにおける既存技術について検討し,季節性に着目した新機能を紹介する。以上の結果から,MIAによる会員識別の有効性が向上し,医療データアプリケーションにおけるプライバシリスクの理解が向上した。
論文参考訳（メタデータ） (2024-07-03T07:34:49Z)
TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文参考訳（メタデータ） (2024-06-30T09:13:10Z)
Continual Learning in Medical Image Analysis: A Comprehensive Review of Recent Advancements and Future Prospects [5.417947115749931]
継続的学習は、統一的で持続可能な深層モデルを開発するための重要なアプローチとして現れてきた。本稿では,医用画像解析に応用した継続的学習技術の現状を概観する。
論文参考訳（メタデータ） (2023-12-28T13:16:03Z)
Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文参考訳（メタデータ） (2023-05-25T16:29:16Z)
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)
Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文参考訳（メタデータ） (2022-03-14T17:44:53Z)
Distributed Learning Approaches for Automated Chest X-Ray Diagnosis [0.0]
医療機関のコンソーシアムが特定の疾患を特定するために機械学習モデルをトレーニングする必要がある場合、プライバシー問題に対処する戦略に焦点を当てる。特に,本分析では,クライアントデータにおけるデータ分散の違いが,機関間のデータ交換頻度に与える影響について検討した。
論文参考訳（メタデータ） (2021-10-04T14:22:29Z)
Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
論文参考訳（メタデータ） (2021-08-30T18:14:27Z)
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)

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。