論文の概要: Addressing Challenges in Data Quality and Model Generalization for Malaria Detection

• arxiv url: http://arxiv.org/abs/2501.00464v1
• Date: Tue, 31 Dec 2024 14:25:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:12:13.409048
• Title: Addressing Challenges in Data Quality and Model Generalization for Malaria Detection
• Title（参考訳）: マラリア検出におけるデータ品質とモデル一般化の課題
• Authors: Kiswendsida Kisito Kabore, Desire Guel,
• Abstract要約: マラリアは、特に時間的かつ正確な診断が効果的な治療と管理に重要である資源に制限された地域において、重要な世界的な健康上の負担を被っている。 Deep Learning (DL)は、マラリア検出を自動化するための変換ツールとして登場し、高い精度とスケーラビリティを提供する。 しかし、これらのモデルの有効性は、データ品質とモデル一般化の課題によって制約されている。 本稿では、これらの課題とそのマラリア検出性能への影響を包括的に分析する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Malaria remains a significant global health burden, particularly in resource-limited regions where timely and accurate diagnosis is critical to effective treatment and control. Deep Learning (DL) has emerged as a transformative tool for automating malaria detection and it offers high accuracy and scalability. However, the effectiveness of these models is constrained by challenges in data quality and model generalization including imbalanced datasets, limited diversity and annotation variability. These issues reduce diagnostic reliability and hinder real-world applicability. This article provides a comprehensive analysis of these challenges and their implications for malaria detection performance. Key findings highlight the impact of data imbalances which can lead to a 20\% drop in F1-score and regional biases which significantly hinder model generalization. Proposed solutions, such as GAN-based augmentation, improved accuracy by 15-20\% by generating synthetic data to balance classes and enhance dataset diversity. Domain adaptation techniques, including transfer learning, further improved cross-domain robustness by up to 25\% in sensitivity. Additionally, the development of diverse global datasets and collaborative data-sharing frameworks is emphasized as a cornerstone for equitable and reliable malaria diagnostics. The role of explainable AI techniques in improving clinical adoption and trustworthiness is also underscored. By addressing these challenges, this work advances the field of AI-driven malaria detection and provides actionable insights for researchers and practitioners. The proposed solutions aim to support the development of accessible and accurate diagnostic tools, particularly for resource-constrained populations.
• Abstract（参考訳）: マラリアは、特に時間的かつ正確な診断が効果的な治療と管理に重要である資源に制限された地域において、重要な世界的な健康上の負担を被っている。 Deep Learning (DL)は、マラリア検出を自動化するための変換ツールとして登場し、高い精度とスケーラビリティを提供する。 しかし、これらのモデルの有効性は、不均衡なデータセット、限られた多様性、アノテーションの可変性を含むデータ品質とモデルの一般化の課題によって制約されている。 これらの問題は診断の信頼性を低下させ、現実の応用性を阻害する。 本稿では、これらの課題とそのマラリア検出性能への影響を包括的に分析する。 主要な発見は、F1スコアと地域バイアスの20倍の低下につながるデータ不均衡の影響を浮き彫りにし、モデル一般化を著しく妨げている。 GANベースの拡張のような提案されたソリューションは、クラスのバランスをとるために合成データを生成し、データセットの多様性を高めることによって、精度を15～20%向上させた。 転送学習を含むドメイン適応技術により、ドメイン間の堅牢性が最大25%向上した。 さらに、多様なグローバルデータセットとコラボレーティブなデータ共有フレームワークの開発は、同等で信頼性の高いマラリア診断の基盤として強調されている。 臨床導入と信頼性向上における説明可能なAI技術の役割も強調されている。 これらの課題に対処することで、この研究はAIによるマラリア検出の分野を前進させ、研究者や実践者に実用的な洞察を提供する。 提案手法は,特に資源制約のある人口を対象に,アクセシブルで正確な診断ツールの開発を支援することを目的としている。

関連論文リスト

• Prediction and Detection of Terminal Diseases Using Internet of Medical Things: A Review [4.4389631374821255]
  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。
  論文  参考訳（メタデータ） (2024-09-22T15:02:33Z)
• Crowdsourcing with Enhanced Data Quality Assurance: An Efficient Approach to Mitigate Resource Scarcity Challenges in Training Large Language Models for Healthcare [0.0]
  本稿では,事前,リアルタイムおよびデータ収集段階における品質管理対策を充実したクラウドソーシングフレームワークを提案する。 本研究は,大規模言語モデルによる自閉症関連症状の予測によるデータ品質向上効果について検討した。
  論文  参考訳（メタデータ） (2024-05-16T08:29:00Z)
• Domain Adaptation Using Pseudo Labels for COVID-19 Detection [19.844531606142496]
  ドメイン適応のために擬似ラベルを利用する2段階のフレームワークを提案する。 あるドメインからのアノテートデータと別のドメインからの非アノテートデータを利用することで、モデルはデータの不足と可変性の課題を克服する。 COV19-CT-DBデータベースの実験結果は、高い診断精度を達成するためのモデルの可能性を示している。
  論文  参考訳（メタデータ） (2024-03-18T06:07:45Z)
• Domain-invariant Clinical Representation Learning by Bridging Data Distribution Shift across EMR Datasets [16.317118701435742]
  適切な診断を行い、パーソナライズされた治療計画を設計する上で、効果的な予後モデルが期待されている。 疾患の初期段階では、限られたデータ収集と臨床経験に加えて、プライバシと倫理の懸念から、参照のためのデータ可用性が制限される可能性がある。 本稿では、ソースデータセットからターゲットデータセットへの遷移モデルを構築するためのドメイン不変表現学習手法を紹介する。
  論文  参考訳（メタデータ） (2023-10-11T18:32:21Z)
• 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)
• Generative models improve fairness of medical classifiers under distribution shifts [49.10233060774818]
  データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。 これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
  論文  参考訳（メタデータ） (2023-04-18T18:15:38Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
  この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。 疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。 また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
  論文  参考訳（メタデータ） (2022-07-19T16:15:11Z)
• 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)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。