Fugu-MT 論文翻訳(概要): Prediction and Detection of Terminal Diseases Using Internet of Medical Things: A Review

論文の概要: Prediction and Detection of Terminal Diseases Using Internet of Medical Things: A Review

arxiv url: http://arxiv.org/abs/2410.00034v1
Date: Sun, 22 Sep 2024 15:02:33 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 15:29:12.947593
Title: Prediction and Detection of Terminal Diseases Using Internet of Medical Things: A Review
Title（参考訳）: インターネット・オブ・メディカルモノを用いた終末期疾患の予測と検出
Authors: Akeem Temitope Otapo, Alice Othmani, Ghazaleh Khodabandelou, Zuheng Ming,
Abstract要約: AI駆動モデルでは、心臓疾患、慢性腎臓病(CKD)、アルツハイマー病、肺がんの予測において98%以上の精度が達成されている。 IoMTデータは巨大で異種であり、患者のプライバシを保護するための相互運用性とセキュリティを確保するための複雑さが増している。今後の研究は、データ品質と相互運用性を改善するために、データの標準化と高度な前処理技術に焦点を当てるべきである。
参考スコア（独自算出の注目度）: 4.4389631374821255
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The integration of Artificial Intelligence (AI) and the Internet of Medical Things (IoMT) in healthcare, through Machine Learning (ML) and Deep Learning (DL) techniques, has advanced the prediction and diagnosis of chronic diseases. AI-driven models such as XGBoost, Random Forest, CNNs, and LSTM RNNs have achieved over 98\% accuracy in predicting heart disease, chronic kidney disease (CKD), Alzheimer's disease, and lung cancer, using datasets from platforms like Kaggle, UCI, private institutions, and real-time IoMT sources. However, challenges persist due to variations in data quality, patient demographics, and formats from different hospitals and research sources. The incorporation of IoMT data, which is vast and heterogeneous, adds complexities in ensuring interoperability and security to protect patient privacy. AI models often struggle with overfitting, performing well in controlled environments but less effectively in real-world clinical settings. Moreover, multi-morbidity scenarios especially for rare diseases like dementia, stroke, and cancers remain insufficiently addressed. Future research should focus on data standardization and advanced preprocessing techniques to improve data quality and interoperability. Transfer learning and ensemble methods are crucial for improving model generalizability across clinical settings. Additionally, the exploration of disease interactions and the development of predictive models for chronic illness intersections is needed. Creating standardized frameworks and open-source tools for integrating federated learning, blockchain, and differential privacy into IoMT systems will also ensure robust data privacy and security.
Abstract（参考訳）: 機械学習(ML)とディープラーニング(DL)技術による医療における人工知能(AI)と医療物のインターネット(IoMT)の統合は、慢性疾患の予測と診断を進歩させた。 XGBoost、ランダムフォレスト、CNN、LSTM RNNといったAI駆動型モデルは、Kaggle、UCI、民間機関、リアルタイムIoMTソースなどのプラットフォームからのデータセットを使用して、心臓病、慢性腎臓病(CKD)、アルツハイマー病、肺がんの予測において98%以上の精度を達成した。しかし、データ品質、患者人口、異なる病院や研究資料からのフォーマットの変動により、課題は継続する。 IoMTデータは巨大で異種であり、患者のプライバシを保護するための相互運用性とセキュリティを確保するための複雑さが増している。 AIモデルはオーバーフィットに苦しむことが多く、制御された環境ではうまく機能するが、実際の臨床環境では効果的に機能しない。さらに、特に認知症、脳卒中、がんなどの稀な疾患に対する多疾患シナリオは未解決のままである。今後の研究は、データ品質と相互運用性を改善するために、データの標準化と高度な前処理技術に焦点を当てるべきである。トランスファーラーニングとアンサンブル法は,臨床現場におけるモデルの一般化性向上に不可欠である。また, 疾患の相互作用の探索や, 慢性疾患交差点の予測モデルの開発も必要である。 IoMTシステムにフェデレーション学習、ブロックチェーン、差分プライバシーを統合するための標準化されたフレームワークとオープンソースツールを作成することで、堅牢なデータプライバシとセキュリティも確保できる。

関連論文リスト

FedCL-Ensemble Learning: A Framework of Federated Continual Learning with Ensemble Transfer Learning Enhanced for Alzheimer's MRI Classifications while Preserving Privacy [0.0]
本研究は,ResNet,ImageNet,VNetなどの伝達学習モデルを用いて,医用画像データから高次特徴を抽出する。提案モデルは, 患者データを共有することなく, フェデレーション学習を用いて構築された。
論文参考訳（メタデータ） (2024-11-15T13:49:22Z)
FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
論文参考訳（メタデータ） (2024-10-28T02:24:01Z)
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)
Architecture of Data Anomaly Detection-Enhanced Decentralized Expert System for Early-Stage Alzheimer's Disease Prediction [0.0]
アルツハイマー病(英: Alzheimer's Disease)は、患者の症状を早期かつ正確に検出する必要がある世界的な健康問題である。本研究では、ブロックチェーン技術と人工知能(AI)を組み合わせて、患者送信データに対する堅牢な異常検出を統合する、画期的な分散型エキスパートシステムを提案する。
論文参考訳（メタデータ） (2023-11-01T08:56:03Z)
Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
論文参考訳（メタデータ） (2023-09-30T15:44:39Z)
Revolutionizing Disease Diagnosis: A Microservices-Based Architecture for Privacy-Preserving and Efficient IoT Data Analytics Using Federated Learning [0.0]
深層学習に基づく疾患診断の応用は、様々な疾患の段階での正確な診断に不可欠である。処理リソースをデバイスに近づけることで、分散コンピューティングパラダイムは、病気の診断に革命をもたらす可能性がある。本研究では、プライバシとパフォーマンス要件を満たすために、IoTデータ分析システムに対するフェデレーションベースのアプローチを提案する。
論文参考訳（メタデータ） (2023-08-27T06:31:43Z)
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)
Decentralized Distributed Learning with Privacy-Preserving Data Synthesis [9.276097219140073]
医療分野では、患者と臨床データの均一性を生かして、多施設共同研究がより一般化可能な発見をもたらすことがしばしばある。最近のプライバシー規制は、データの共有を妨げ、その結果、診断と予後をサポートする機械学習ベースのソリューションを考案する。ローカルノードの機能を統合する分散分散手法を提案し、プライバシを維持しながら複数のデータセットをまたいで一般化可能なモデルを提供する。
論文参考訳（メタデータ） (2022-06-20T23:49:38Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
新型コロナウイルスの感染拡大で医療資源が不足している。新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。患者のプライバシー上の懸念から、データそのものはまだ乏しい。我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
論文参考訳（メタデータ） (2021-02-10T01:56:58Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。