論文の概要: DREAMS: A python framework for Training Deep Learning Models on EEG Data with Model Card Reporting for Medical Applications

• arxiv url: http://arxiv.org/abs/2409.17815v2
• Date: Wed, 02 Jul 2025 10:08:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 22:56:23.333186
• Title: DREAMS: A python framework for Training Deep Learning Models on EEG Data with Model Card Reporting for Medical Applications
• Title（参考訳）: DREAMS:医療応用のためのモデルカードレポーティングによる脳波データに基づく深層学習モデルの学習のためのピソンフレームワーク
• Authors: Rabindra Khadka, Pedro G Lind, Anis Yazidi, Asma Belhadi,
• Abstract要約: 脳波データに適用されたディープラーニングモデルのための自動モデルカードを生成するように設計されたPythonベースのフレームワークであるDREAMSを紹介する。 一般的なモデルレポートツールとは異なり、DREAMSはEEGベースのディープラーニングアプリケーションに特化している。 このフレームワークはディープラーニングパイプラインとシームレスに統合され、構造化YAMLベースのドキュメントを提供する。
• 参考スコア（独自算出の注目度）: 7.2934799091933815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electroencephalography (EEG) provides a non-invasive way to observe brain activity in real time. Deep learning has enhanced EEG analysis, enabling meaningful pattern detection for clinical and research purposes. However, most existing frameworks for EEG data analysis are either focused on preprocessing techniques or deep learning model development, often overlooking the crucial need for structured documentation and model interpretability. In this paper, we introduce DREAMS (Deep REport for AI ModelS), a Python-based framework designed to generate automated model cards for deep learning models applied to EEG data. Unlike generic model reporting tools, DREAMS is specifically tailored for EEG-based deep learning applications, incorporating domain-specific metadata, preprocessing details, performance metrics, and uncertainty quantification. The framework seamlessly integrates with deep learning pipelines, providing structured YAML-based documentation. We evaluate DREAMS through two case studies: an EEG emotion classification task using the FACED dataset and a abnormal EEG classification task using the Temple Univeristy Hospital (TUH) Abnormal dataset. These evaluations demonstrate how the generated model card enhances transparency by documenting model performance, dataset biases, and interpretability limitations. Unlike existing model documentation approaches, DREAMS provides visualized performance metrics, dataset alignment details, and model uncertainty estimations, making it a valuable tool for researchers and clinicians working with EEG-based AI. The source code for DREAMS is open-source, facilitating broad adoption in healthcare AI, research, and ethical AI development.
• Abstract（参考訳）: 脳波(EEG)は、脳の活動をリアルタイムで観察する非侵襲的な方法である。 深層学習は脳波解析を強化し、臨床的および研究目的で意味のあるパターン検出を可能にした。 しかし、EEGデータ分析のための既存のフレームワークのほとんどは、事前処理技術やディープラーニングモデル開発に重点を置いており、しばしば構造化されたドキュメントやモデルの解釈可能性に対する重要なニーズを見落としている。 本稿では,脳波データに適用されたディープラーニングモデルのためのモデルカードの自動生成を目的としたPythonベースのフレームワークであるDREAMS(Deep Report for AI Models)を紹介する。 一般的なモデルレポートツールとは異なり、DREAMSはEEGベースのディープラーニングアプリケーションに特化しており、ドメイン固有のメタデータ、前処理の詳細、パフォーマンスメトリクス、不確実性定量化を取り入れている。 このフレームワークはディープラーニングパイプラインとシームレスに統合され、構造化YAMLベースのドキュメントを提供する。 FACEDデータセットを用いた脳波感情分類タスクと、Temple Univeristy Hospital(TUH)異常データセットを用いた異常脳波分類タスクの2つのケーススタディを通してDREAMSを評価した。 これらの評価は、モデル性能、データセットバイアス、解釈可能性制限を文書化することによって、生成したモデルカードが透明性を高める方法を示している。 既存のモデルドキュメンテーションアプローチとは異なり、DREAMSは、可視化されたパフォーマンスメトリクス、データセットアライメントの詳細、モデルの不確実性推定を提供する。 DREAMSのソースコードはオープンソースで、医療AI、研究、倫理的AI開発に広く採用されている。

関連論文リスト

• Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography [0.0]
  本研究は,胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチの包括的評価である。 新型コロナウイルス、肺不透明症、ウイルス性肺炎に焦点が当てられている。 臨床実習におけるAI駆動診断ツールの統合について報告する。
  論文  参考訳（メタデータ） (2025-04-16T16:54:37Z)
• Biomedical Foundation Model: A Survey [84.26268124754792]
  ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。 これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。 本研究は,生物医学分野における基礎モデルの可能性を探るものである。
  論文  参考訳（メタデータ） (2025-03-03T22:42:00Z)
• Comprehensive Review of EEG-to-Output Research: Decoding Neural Signals into Images, Videos, and Audio [0.0]
  機械学習と生成モデリングの最近の進歩は、知覚経験の再構築における脳波の応用を触媒している。 本稿では,脳波から出力までの研究を体系的にレビューし,最先端のジェネレーティブ手法,評価指標,データ課題に焦点をあてる。
  論文  参考訳（メタデータ） (2024-12-28T03:50:56Z)
• Health AI Developer Foundations [18.690656891269686]
  Health AI Developer Foundations(HAI-DEF)は、トレーニング済み、ドメイン固有の基礎モデル、ツール、レシピのスイートで、ヘルスアプリケーションのための機械学習の構築を加速する。 モデルは、放射線学(X線とCT)、病理学、皮膚画像、オーディオなど、様々なモダリティや領域をカバーする。 これらのモデルは、ラベル付きデータが少なく、トレーニング時間が短く、計算コストが削減されたAI開発を容易にする、ドメイン固有の埋め込みを提供する。
  論文  参考訳（メタデータ） (2024-11-22T18:51:51Z)
• Explainable AI Methods for Multi-Omics Analysis: A Survey [3.885941688264509]
  マルチオミクス(multi-omics)とは、複数の「オム」から派生したデータの積分解析である。 深層学習の手法は、マルチオミクスデータの統合や、分子間相互作用の洞察、複雑な疾患の研究の強化にますます活用されている。 これらのモデルは、多くの相互接続層と非線形関係を持ち、しばしばブラックボックスとして機能し、意思決定プロセスにおける透明性を欠いている。 このレビューでは、マルチオミクス研究において、xAIが深層学習モデルの解釈可能性を改善する方法について検討し、臨床医に明確な洞察を与える可能性を強調した。
  論文  参考訳（メタデータ） (2024-10-15T05:01:17Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Generative AI for Health Technology Assessment: Opportunities, Challenges, and Policy Considerations [12.73011921253]
  本稿では、医療技術評価(HTA)のための生成人工知能(AI)と大規模言語モデル(LLM)を含む基礎モデルについて紹介する。 本研究は, 4つの重要な領域, 合成証拠, 証拠生成, 臨床試験, 経済モデリングにおける応用について検討する。 約束にもかかわらず、これらの技術は急速に改善されているものの、まだ初期段階にあり、HTAへの適用には慎重な評価が引き続き必要である。
  論文  参考訳（メタデータ） (2024-07-09T09:25:27Z)
• 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)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Deployment of a Robust and Explainable Mortality Prediction Model: The COVID-19 Pandemic and Beyond [0.59374762912328]
  本研究では、新型コロナウイルスのパンデミック以降の死亡率予測におけるAIモデルの有効性、説明可能性、堅牢性について検討した。
  論文  参考訳（メタデータ） (2023-11-28T18:15:53Z)
• AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
  本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
  論文  参考訳（メタデータ） (2022-10-21T16:31:46Z)
• Deep learning for temporal data representation in electronic health records: A systematic review of challenges and methodologies [11.584972135829199]
  一時的な電子健康記録は、臨床イベント予測や慢性疾患管理など、二次的な用途のための豊富な情報である。 我々は,2010年1月1日から2020年8月30日までに,構造化EHRデータにおける時間的データ表現に関する深層学習手法を報告した論文を求めた。 データ不規則性、データ不均一性、データの分散性、モデル不透明性を含む4つの大きな課題が特定された。
  論文  参考訳（メタデータ） (2021-07-21T09:00:40Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。