論文の概要: Synthetic Data in Radiological Imaging: Current State and Future Outlook
- arxiv url: http://arxiv.org/abs/2407.01561v1
- Date: Wed, 8 May 2024 18:35:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 22:28:39.814359
- Title: Synthetic Data in Radiological Imaging: Current State and Future Outlook
- Title（参考訳）: 放射線画像における合成データの現状と将来展望
- Authors: Elena Sizikova, Andreu Badal, Jana G. Delfino, Miguel Lago, Brandon Nelson, Niloufar Saharkhiz, Berkman Sahiner, Ghada Zamzmi, Aldo Badano,
- Abstract要約: 放射線学における人工知能(AI)ソリューションの開発と展開の鍵となる課題は、関連するデータ制限を解決することである。
サイリコデータでは、患者の損害の低減、コストの削減、データ取得の簡略化、スケーラビリティ、品質保証テストの改善、データ不均衡に対する緩和アプローチなど、患者のデータに潜在的なメリットがいくつか提供されている。
- 参考スコア（独自算出の注目度）: 3.047958668050099
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: A key challenge for the development and deployment of artificial intelligence (AI) solutions in radiology is solving the associated data limitations. Obtaining sufficient and representative patient datasets with appropriate annotations may be burdensome due to high acquisition cost, safety limitations, patient privacy restrictions or low disease prevalence rates. In silico data offers a number of potential advantages to patient data, such as diminished patient harm, reduced cost, simplified data acquisition, scalability, improved quality assurance testing, and a mitigation approach to data imbalances. We summarize key research trends and practical uses for synthetically generated data for radiological applications of AI. Specifically, we discuss different types of techniques for generating synthetic examples, their main application areas, and related quality control assessment issues. We also discuss current approaches for evaluating synthetic imaging data. Overall, synthetic data holds great promise in addressing current data availability gaps, but additional work is needed before its full potential is realized.
- Abstract（参考訳）: 放射線学における人工知能(AI)ソリューションの開発と展開における重要な課題は、関連するデータ制限を解決することである。
適切なアノテーションで十分な、および代表的な患者データセットを取得することは、高い取得コスト、安全性の制限、患者のプライバシの制限、または病気の頻度の低いため、負担になる可能性がある。
サイリコデータでは、患者の損害の低減、コストの削減、データ取得の簡略化、スケーラビリティ、品質保証テストの改善、データ不均衡に対する緩和アプローチなど、患者のデータに潜在的なメリットがいくつか提供されている。
我々は,AIの放射線学的応用のための合成データの研究動向と実用化について要約する。
具体的には、合成例を生成するための異なるタイプの技術、主な応用分野、および関連する品質管理評価問題について論じる。
また、合成画像データを評価するための最近のアプローチについても論じる。
総合的に、合成データは現在のデータ可用性のギャップに対処する上で大きな可能性を秘めている。
関連論文リスト
- NFDI4Health workflow and service for synthetic data generation, assessment and risk management [0.0]
この課題に対する有望な解決策は、合成データ生成である。
この手法は、実際のデータの統計特性を模倣する全く新しいデータセットを作成する。
本稿では,ドイツのNFDI4Healthプロジェクト(NFDI4Health)の文脈で開発されたワークフローとサービスについて述べる。
論文 参考訳（メタデータ） (2024-08-08T14:08:39Z) - 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) - Privacy-Preserving Statistical Data Generation: Application to Sepsis Detection [13.445454471355214]
分類問題に適用可能な合成データ生成のための統計的アプローチを提案する。
Kernel density Estimator と K-Nearest Neighbors sample (KDE-KNN) によって生成された合成データの実用性とプライバシーへの影響を実世界の文脈で評価する。
論文 参考訳（メタデータ） (2024-04-25T14:26:53Z) - Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。
合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
論文 参考訳（メタデータ） (2024-04-11T06:34:17Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳（メタデータ） (2023-10-25T20:32:02Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳（メタデータ） (2023-04-07T16:38:40Z) - Synthetic Data in Healthcare [10.555189948915492]
本稿では,データ作成のための物理・統計シミュレーションの事例と医療・医療への応用について述べる。
人工物は、プライバシ、エクイティ、安全性、継続的な、因果学習を促進することができるが、欠陥や盲点を導入し、バイアスを伝播または誇張するリスクも負う。
論文 参考訳（メタデータ） (2023-04-06T17:23:39Z) - 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) - Enabling Synthetic Data adoption in regulated domains [1.9512796489908306]
Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いている。
特に、高度に規制されたシナリオにおける情報のセンシティブな性質を考慮する必要がある。
このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
論文 参考訳（メタデータ） (2022-04-13T10:53:54Z) - Counterfactual Explanations as Interventions in Latent Space [62.997667081978825]
反現実的な説明は、望ましい結果を達成するために変更が必要な機能のセットをエンドユーザに提供することを目的としています。
現在のアプローチでは、提案された説明を達成するために必要な行動の実現可能性を考慮することはめったにない。
本稿では,非現実的説明を生成する手法として,潜時空間における干渉としての対実的説明(CEILS)を提案する。
論文 参考訳（メタデータ） (2021-06-14T20:48:48Z)
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。