論文の概要: CliMB: An AI-enabled Partner for Clinical Predictive Modeling

• arxiv url: http://arxiv.org/abs/2410.03736v2
• Date: Mon, 25 Nov 2024 16:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:16:21.170090
• Title: CliMB: An AI-enabled Partner for Clinical Predictive Modeling
• Title（参考訳）: CliMB: 臨床予測モデリングのためのAI対応パートナー
• Authors: Evgeny Saveliev, Tim Schubert, Thomas Pouplin, Vasilis Kosmoliaptsis, Mihaela van der Schaar,
• Abstract要約: CliMBは、臨床科学者が自然言語を使って予測モデルを作成できるように設計された、コードなしAI対応のパートナーである。 CliMBは、医療データ科学のパイプライン全体を通して臨床科学者をガイドする。 CliMBは、計画、エラー防止、コード実行、モデルパフォーマンスといった重要な領域において、一貫して優れたパフォーマンスを示した。
• 参考スコア（独自算出の注目度）: 42.32743590150279
• License:
• Abstract: Despite its significant promise and continuous technical advances, real-world applications of artificial intelligence (AI) remain limited. We attribute this to the "domain expert-AI-conundrum": while domain experts, such as clinician scientists, should be able to build predictive models such as risk scores, they face substantial barriers in accessing state-of-the-art (SOTA) tools. While automated machine learning (AutoML) has been proposed as a partner in clinical predictive modeling, many additional requirements need to be fulfilled to make machine learning accessible for clinician scientists. To address this gap, we introduce CliMB, a no-code AI-enabled partner designed to empower clinician scientists to create predictive models using natural language. CliMB guides clinician scientists through the entire medical data science pipeline, thus empowering them to create predictive models from real-world data in just one conversation. CliMB also creates structured reports and interpretable visuals. In evaluations involving clinician scientists and systematic comparisons against a baseline GPT-4, CliMB consistently demonstrated superior performance in key areas such as planning, error prevention, code execution, and model performance. Moreover, in blinded assessments involving 45 clinicians from diverse specialties and career stages, more than 80% preferred CliMB over GPT-4. Overall, by providing a no-code interface with clear guidance and access to SOTA methods in the fields of data-centric AI, AutoML, and interpretable ML, CliMB empowers clinician scientists to build robust predictive models. The proof-of-concept version of CliMB is available as open-source software on GitHub: https://github.com/vanderschaarlab/climb.
• Abstract（参考訳）: その大きな約束と継続的な技術的進歩にもかかわらず、人工知能(AI)の現実世界の応用は依然として限られている。 臨床科学者のようなドメインの専門家は、リスクスコアのような予測モデルを構築することができるべきであるが、それらは最先端(SOTA)ツールにアクセスする上で大きな障壁に直面している。 自動機械学習(AutoML)は臨床予測モデリングのパートナーとして提案されているが、臨床科学者が機械学習を利用できるようにするためには、多くの追加の要件を満たす必要がある。 このギャップに対処するために、私たちはCliMBを紹介します。CliMBは、クリニック科学者が自然言語を使って予測モデルを作成するための、コードなしAI対応のパートナです。 CliMBは、臨床科学者を医療データ科学パイプライン全体を通してガイドし、現実世界のデータから予測モデルを1つの会話で作成することを可能にする。 CliMBは構造化されたレポートや解釈可能なビジュアルも生成する。 臨床科学者による評価と,ベースライン GPT-4 との比較では,計画,エラー防止,コード実行,モデル性能などの重要な領域において,CliMB は一貫して優れた性能を示した。 さらに、さまざまな専門分野の45名の臨床医を対象とする盲目評価では、GPT-4よりも80%以上のCliMBが好まれていた。 全体として、データ中心のAI、AutoML、解釈可能なMLの分野で、明確なガイダンスとSOTAメソッドへのアクセスを備えたノーコードインターフェースを提供することで、CliMBは、臨床科学者に堅牢な予測モデルを構築する権限を与える。 CliMBの概念実証バージョンは、GitHub上のオープンソースソフトウェアとして利用可能である。

関連論文リスト

• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• 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)
• Autonomous Artificial Intelligence Agents for Clinical Decision Making in Oncology [0.6397820821509177]
  本稿では,大規模言語モデル(LLM)を中心的推論エンジンとして活用する,マルチモーダル医療用AIの代替手法を提案する。 このエンジンは、医療用AIツールのセットを自律的に調整し、デプロイする。 適切なツール(97%)、正しい結論(93.6%)、完全(94%)、個人患者に有用な推奨(89.2%)を提示する能力が高いことを示す。
  論文  参考訳（メタデータ） (2024-04-06T15:50:19Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• OpenMEDLab: An Open-source Platform for Multi-modality Foundation Models in Medicine [55.29668193415034]
  マルチモダリティ基盤モデルのためのオープンソースプラットフォームであるOpenMEDLabについて紹介する。 これは、最前線臨床および生体情報学応用のための大規模言語とビジョンモデルを刺激し、微調整する先駆的な試みの解決策をカプセル化する。 様々な医用画像のモダリティ、臨床テキスト、タンパク質工学など、事前訓練された基礎モデル群へのアクセスが可能である。
  論文  参考訳（メタデータ） (2024-02-28T03:51:02Z)
• 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)
• FedStack: Personalized activity monitoring using stacked federated learning [12.792461572028449]
  フェデレーション学習は、データのプライバシを高めるように設計された比較的新しいAI技術である。 従来のフェデレート学習では、ローカルクライアントとグローバルサーバをまたいでトレーニングされるのと同じアーキテクチャモデルが必要です。 この研究は、分散型アプローチで入院中の患者に対して保護されたプライバシシステムを提供する。
  論文  参考訳（メタデータ） (2022-09-27T00:12:44Z)
• Privacy-Preserving Technology to Help Millions of People: Federated Prediction Model for Stroke Prevention [25.276264953982253]
  私たちの科学者とエンジニアは、ストロークのリスクを予測し、当社の連合予測モデルをクラウドサーバにデプロイするプライバシー保護スキームを提案しています。 我々のモデルは、特定の都市の病院から、実際のデータを共有することなく、すべての医療データをトレーニングします。 特に脳卒中例が少ない小さな病院では,いくつかの機械学習指標でフェデレーションモデルによりモデル性能が10%向上する。
  論文  参考訳（メタデータ） (2020-06-15T08:51:23Z)

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。