論文の概要: Contrastive Representation Learning Helps Cross-institutional Knowledge Transfer: A Study in Pediatric Ventilation Management

• arxiv url: http://arxiv.org/abs/2501.13587v1
• Date: Thu, 23 Jan 2025 11:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:59:01.518579
• Title: Contrastive Representation Learning Helps Cross-institutional Knowledge Transfer: A Study in Pediatric Ventilation Management
• Title（参考訳）: 施設間知識伝達を支援するコントラスト表現学習 : 小児換気管理における検討
• Authors: Yuxuan, Liu, Jinpei Han, Padmanabhan Ramnarayan, A. Aldo Faisal,
• Abstract要約: 本稿では,臨床時系列における施設間知識伝達の体系的枠組みについて述べる。 我々は,異なるデータ体制と微調整戦略が,制度的境界を越えた知識伝達に与える影響について検討する。 我々の研究は、より一般化可能な臨床意思決定支援システムを開発しながら、より小さな専門単位がより大きなセンターからの知識を活用できるようにするための洞察を提供する。
• 参考スコア（独自算出の注目度）: 6.956423302265097
• License:
• Abstract: Clinical machine learning deployment across institutions faces significant challenges when patient populations and clinical practices differ substantially. We present a systematic framework for cross-institutional knowledge transfer in clinical time series, demonstrated through pediatric ventilation management between a general pediatric intensive care unit (PICU) and a cardiac-focused unit. Using contrastive predictive coding (CPC) for representation learning, we investigate how different data regimes and fine-tuning strategies affect knowledge transfer across institutional boundaries. Our results show that while direct model transfer performs poorly, CPC with appropriate fine-tuning enables effective knowledge sharing between institutions, with benefits particularly evident in limited data scenarios. Analysis of transfer patterns reveals an important asymmetry: temporal progression patterns transfer more readily than point-of-care decisions, suggesting practical pathways for cross-institutional deployment. Through a systematic evaluation of fine-tuning approaches and transfer patterns, our work provides insights for developing more generalizable clinical decision support systems while enabling smaller specialized units to leverage knowledge from larger centers.
• Abstract（参考訳）: 医療機関間の機械学習の展開は、患者の人口と臨床実践が著しく異なる場合、重大な課題に直面している。 本稿では,一般小児集中治療室 (PICU) と心室集中治療室 (心室集中治療室) の小児換気管理を通じて, 臨床時系列における施設間知識伝達の体系的枠組みについて述べる。 コントラッシブ予測符号化(CPC)を表現学習に用い,異なるデータ構造と微調整戦略が組織の境界を越えた知識伝達にどのように影響するかを検討する。 この結果から, 直接モデル転送が不十分である一方で, 適切な微調整を施したCPCは, 限られたデータシナリオにおいて特に顕著なメリットを有する, 機関間の効果的な知識共有を可能にすることがわかった。 時間的進行パターンは、ポイント・オブ・ケアの決定よりも容易に伝達し、施設間展開の実践的な経路を示唆する。 本研究は,微調整アプローチと伝達パターンの体系的評価を通じて,より一般化可能な臨床意思決定支援システムを開発する上での洞察を提供するとともに,小規模の専門ユニットが大規模センターからの知識を活用できるようにする。

関連論文リスト

• Pruning the Path to Optimal Care: Identifying Systematically Suboptimal Medical Decision-Making with Inverse Reinforcement Learning [14.688842697886484]
  本稿では, 同僚の行動に基づいて, 最適な臨床行為を識別する逆強化学習の新たな応用法を提案する。 このアプローチはIRLの2つの段階を中心とし、コンセンサスから大きく逸脱する行動を示す軌跡をプーンする中間段階を持つ。
  論文  参考訳（メタデータ） (2024-11-07T23:16:59Z)
• Transfer Learning with Clinical Concept Embeddings from Large Language Models [4.838020198075334]
  大言語モデル (LLMs) は, 臨床的概念の意味を捉える重要な可能性を示している。 本研究では,2つの大規模医療システムからの電子健康記録を分析し,セマンティック埋め込みが局所的,共有的,移動的学習モデルに与える影響を評価する。
  論文  参考訳（メタデータ） (2024-09-20T20:50:55Z)
• CoRelation: Boosting Automatic ICD Coding Through Contextualized Code Relation Learning [56.782963838838036]
  我々は,ICDコード表現の学習を促進するために,文脈的かつ柔軟なフレームワークである新しい手法を提案する。 提案手法では,可能なすべてのコード関係をモデル化する際の臨床ノートのコンテキストを考慮した,依存型学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2024-02-24T03:25:28Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• FedDG: Federated Domain Generalization on Medical Image Segmentation via Episodic Learning in Continuous Frequency Space [63.43592895652803]
  フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。 臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。 そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。 本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-10T13:05:23Z)
• A Study of Domain Generalization on Ultrasound-based Multi-Class Segmentation of Arteries, Veins, Ligaments, and Nerves Using Transfer Learning [12.869637050331306]
  モデル内の複数の連続ブロックを微調整することで,複数クラスの米国版セグメンテーションを伝達学習により検討する。 本研究では,未知のデータセットの一般化を予測し,微調整法間の統計的に有意な差を観測する簡単な手法を提案する。
  論文  参考訳（メタデータ） (2020-11-13T16:59:20Z)
• 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)
• Comparative Visual Analytics for Assessing Medical Records with Sequence Embedding [17.752580010414228]
  患者記録の比較研究を支援する視覚分析システムを開発した。 カリフォルニア大学デイビス校の新生児集中治療ユニットから得られた実世界のデータセットを用いたケーススタディにより, 設計とシステムの有効性を実証した。
  論文  参考訳（メタデータ） (2020-02-18T19:29:30Z)

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。