論文の概要: How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation

• arxiv url: http://arxiv.org/abs/2407.08442v1
• Date: Thu, 11 Jul 2024 12:33:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 17:39:27.528790
• Title: How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation
• Title（参考訳）: 指導の深さはどれくらいか? : 医学的時系列インプットのための深層学習の新たな展望
• Authors: Linglong Qian, Tao Wang, Jun Wang, Hugh Logan Ellis, Robin Mitra, Richard Dobson, Zina Ibrahim,
• Abstract要約: 深層学習を用いた時系列計算のための新しい分類フレームワークを提案する。 文献における概念的ギャップと既存のレビューを識別することにより、ニューラル・インパテーション・フレームワークの帰納的バイアスに基づく分類法を考案する。
• 参考スコア（独自算出の注目度）: 6.547981908229007
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel classification framework for time-series imputation using deep learning, with a particular focus on clinical data. By identifying conceptual gaps in the literature and existing reviews, we devise a taxonomy grounded on the inductive bias of neural imputation frameworks, resulting in a classification of existing deep imputation strategies based on their suitability for specific imputation scenarios and data-specific properties. Our review further examines the existing methodologies employed to benchmark deep imputation models, evaluating their effectiveness in capturing the missingness scenarios found in clinical data and emphasising the importance of reconciling mathematical abstraction with clinical insights. Our classification aims to serve as a guide for researchers to facilitate the selection of appropriate deep learning imputation techniques tailored to their specific clinical data. Our novel perspective also highlights the significance of bridging the gap between computational methodologies and medical insights to achieve clinically sound imputation models.
• Abstract（参考訳）: 本稿では,深層学習を用いた時系列計算のための新しい分類フレームワークについて紹介する。 文献における概念的ギャップと既存のレビューを識別することにより、ニューラル・インキュベーション・フレームワークの帰納的バイアスに基づく分類法を考案し、特定のインキュベーション・シナリオやデータ固有の特性に対して適合性に基づいて既存のディープ・インキュベーション・ストラテジーを分類する。 本研究は, 深層計算モデルのベンチマークに用いられている既存の手法について検討し, 臨床データの欠落シナリオを捉える上での有効性を検証し, 数学的抽象化を臨床的知見と整合させることの重要性を強調した。 本分類は,特定の臨床データに適合した適切な深層学習計算技術の選択を容易にするためのガイドとなることを目的としている。 我々の新しい視点は、臨床的に健全な計算モデルを達成するために、計算方法論と医学的洞察のギャップを埋めることの重要性も強調している。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• On the Importance of Step-wise Embeddings for Heterogeneous Clinical Time-Series [1.3285222309805063]
  近年のシークエンス・モデリングの深層学習の進歩は、電子健康記録から時系列を扱うタスクに完全に移行していない。 特に、ICU(Intensive Care Unit)に関わる問題では、木に基づく手法で表形式でシーケンス分類に取り組むことが現状である。
  論文  参考訳（メタデータ） (2023-11-15T12:18:15Z)
• Language Model Training Paradigms for Clinical Feature Embeddings [1.4513150969598638]
  言語モデルのための自己教師型トレーニングパラダイムを用いて,高品質な臨床機能埋め込みを学習する。 教師なし次元縮小技術を用いて学習者の埋め込みを可視化し,先行臨床知識と高度に整合性を観察する。
  論文  参考訳（メタデータ） (2023-11-01T18:23:12Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Investigating Poor Performance Regions of Black Boxes: LIME-based Exploration in Sepsis Detection [0.5872014229110214]
  本稿では,局部解釈可能なモデル非依存記述(LIME)を活用し,セプシス検出におけるブラックボックス分類モデルの解釈可能な記述を提供する。 誤分類されたインスタンスを分析することで、最適以下のパフォーマンスに寄与する重要な特徴が特定される。
  論文  参考訳（メタデータ） (2023-06-21T18:36:15Z)
• Overview of Deep Learning Methods for Retinal Vessel Segmentation [0.0]
  多くの眼・全身疾患の治療・診断において, 自動網膜血管セグメンテーション法が重要な役割を担っている。 深層学習法の急速な発展に伴い、より多くの網膜血管分割法が深層ニューラルネットワークとして実装されている。
  論文  参考訳（メタデータ） (2023-06-01T17:05:18Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• 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)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Explainable deep learning models in medical image analysis [0.0]
  様々な医学的診断に非常に効果的で、その一部で人間の専門家を圧倒している。 最近の説明可能性研究は、モデルの決定に最も影響を及ぼす特徴を示すことを目的としている。 ここでは、様々な医療画像タスクに対する説明可能な深層学習の現在の応用について概説する。
  論文  参考訳（メタデータ） (2020-05-28T06:31:05Z)

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。