論文の概要: Datasheets for AI and medical datasets (DAIMS): a data validation and documentation framework before machine learning analysis in medical research

• arxiv url: http://arxiv.org/abs/2501.14094v1
• Date: Thu, 23 Jan 2025 21:02:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-27 14:56:32.616773
• Title: Datasheets for AI and medical datasets (DAIMS): a data validation and documentation framework before machine learning analysis in medical research
• Title（参考訳）: AIと医療データセットのためのデータシート(DAIMS):医学研究における機械学習分析の前にデータ検証と文書化を行うフレームワーク
• Authors: Ramtin Zargari Marandi, Anne Svane Frahm, Maja Milojevic,
• Abstract要約: フレームワークを"AIと医療データセットのためのデータシート - DAIMS"に拡張します。 我々の公開ソリューションであるDAIMSは、データの標準化要件を含むチェックリストを提供します。 チェックリストは24の共通データ標準化要件で構成されており、ツールがチェックし、そのサブセットを検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Despite progresses in data engineering, there are areas with limited consistencies across data validation and documentation procedures causing confusions and technical problems in research involving machine learning. There have been progresses by introducing frameworks like "Datasheets for Datasets", however there are areas for improvements to prepare datasets, ready for ML pipelines. Here, we extend the framework to "Datasheets for AI and medical datasets - DAIMS." Our publicly available solution, DAIMS, provides a checklist including data standardization requirements, a software tool to assist the process of the data preparation, an extended form for data documentation and pose research questions, a table as data dictionary, and a flowchart to suggest ML analyses to address the research questions. The checklist consists of 24 common data standardization requirements, where the tool checks and validate a subset of them. In addition, we provided a flowchart mapping research questions to suggested ML methods. DAIMS can serve as a reference for standardizing datasets and a roadmap for researchers aiming to apply effective ML techniques in their medical research endeavors. DAIMS is available on GitHub and as an online app to automate key aspects of dataset evaluation, facilitating efficient preparation of datasets for ML studies.
• Abstract（参考訳）: データエンジニアリングの進歩にも拘わらず、データ検証とドキュメントの手続きに限定した領域があり、機械学習を含む研究において混乱と技術的な問題を引き起こしている。 Datasheets for Datasets”のようなフレームワークを導入することで、進展が見られたが、MLパイプラインの準備が整ったデータセットを作成するための改善領域がある。 ここでは、フレームワークを"AIと医療データセットのためのデータシート - DAIMS"に拡張する。 我々の公開ソリューションであるDAIMSは、データ標準化要件を含むチェックリスト、データ準備プロセスを支援するソフトウェアツール、データドキュメンテーションの拡張フォーム、研究質問のポーズ、データ辞書としてのテーブル、研究質問に対処するためのML分析を提案するフローチャートを提供する。 チェックリストは24の共通データ標準化要件で構成されており、ツールがチェックし、そのサブセットを検証する。 さらに,提案するML手法について,フローチャートマッピングによる検討を行った。 DAIMSは、データセットの標準化のためのリファレンスや、効果的なML技術を医療研究に応用することを目的とした研究者のためのロードマップとして機能する。 DAIMSは、データセット評価の重要な側面を自動化するオンラインアプリとしてGitHubと、ML研究用のデータセットの効率的な準備を容易にする。

関連論文リスト

• The State of Data Curation at NeurIPS: An Assessment of Dataset Development Practices in the Datasets and Benchmarks Track [1.5993707490601146]
  この研究は、データキュレーションのレンズを通してNeurIPSにおけるデータセット開発プラクティスの分析を提供する。 本稿では,ルーブリックとツールキットからなるデータセットドキュメンテーションの評価フレームワークを提案する。 結果は、環境のフットプリント、倫理的考慮、データ管理に関するドキュメントの必要性がさらに高まっていることを示している。
  論文  参考訳（メタデータ） (2024-10-29T19:07:50Z)
• DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
  我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。 我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。 私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
  論文  参考訳（メタデータ） (2024-07-01T18:58:22Z)
• Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
  まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。 次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。 提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-22T22:15:17Z)
• CSMeD: Bridging the Dataset Gap in Automated Citation Screening for Systematic Literature Reviews [10.207938863784829]
  CSMeDは9つの公開コレクションを統合したメタデータセットである。 CSMeDは自動引用スクリーニングモデルの性能を訓練し評価するための総合的なリソースとして機能する。 我々はCSMeD-FTを導入した。CSMeD-FTは、全文パブリッシュスクリーニングタスクを明示的に評価するために設計された新しいデータセットである。
  論文  参考訳（メタデータ） (2023-11-21T09:36:11Z)
• Utilising a Large Language Model to Annotate Subject Metadata: A Case Study in an Australian National Research Data Catalogue [18.325675189960833]
  オープンで再現可能な研究をサポートするために、研究のために利用可能なデータセットが急速に増えている。 データセットの可用性が向上するにつれて、それらの発見と再利用のための品質メタデータを持つことがより重要になる。 本稿では,LLMに基づくインコンテキスト学習を通じて,大規模言語モデル(LLM)を用いて,主題メタデータのコスト効率のよいアノテーションを提案する。
  論文  参考訳（メタデータ） (2023-10-17T14:52:33Z)
• Interpretable Medical Diagnostics with Structured Data Extraction by Large Language Models [59.89454513692417]
  タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。 本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。 本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:12:28Z)
• PyTrial: Machine Learning Software and Benchmark for Clinical Trial Applications [49.69824178329405]
  PyTrialは、臨床試験の設計と運用のための一連の機械学習アルゴリズムのベンチマークとオープンソース実装を提供する。 患者結果予測,臨床試験サイト選択,トライアル結果予測,患者と臨床のマッチング,トライアル類似性検索,合成データ生成など,6つのタスクにわたる臨床試験のための34のMLアルゴリズムを網羅的に検討した。 PyTrialは、データローディング、モデル仕様、モデルトレーニング、モデル評価という、単純な4段階のプロセスで各タスクを定義します。
  論文  参考訳（メタデータ） (2023-06-06T21:19:03Z)
• Weakly Supervised Anomaly Detection: A Survey [75.26180038443462]
  異常検出(AD)は、さまざまなアプリケーションによる機械学習において重要なタスクである。 弱教師付き異常検出法(WSAD)の総合的な調査を行った。 各設定に対して、正式な定義、鍵アルゴリズム、潜在的な将来の方向性を提供する。
  論文  参考訳（メタデータ） (2023-02-09T10:27:21Z)
• Understanding Machine Learning Practitioners' Data Documentation Perceptions, Needs, Challenges, and Desiderata [10.689661834716613]
  データは機械学習(ML)モデルの開発と評価の中心である。 責任あるAIの実践を促進するために、研究者と実践者はデータドキュメントの増加を提唱し始めた。 これらのデータドキュメンテーションフレームワークがML実践者のニーズを満たすかどうかについてはほとんど研究されていない。
  論文  参考訳（メタデータ） (2022-06-06T21:55:39Z)
• DataLab: A Platform for Data Analysis and Intervention [96.75253335629534]
  DataLabは統一されたデータ指向プラットフォームであり、ユーザはデータの特徴をインタラクティブに分析することができる。 ツールネームには、データセットレコメンデーションとグローバルビジョン分析のための機能がある。 これまでのところ、DataLabは1,715のデータセットと3,583の変換バージョンをカバーしている。
  論文  参考訳（メタデータ） (2022-02-25T18:32:19Z)
• Big Machinery Data Preprocessing Methodology for Data-Driven Models in Prognostics and Health Management [0.0]
  本稿では,複雑なシステムからの監視データの事前処理のための包括的,ステップバイステップパイプラインを提案する。 データ選択とラベル生成の文脈で専門家の知識の重要性を論じる。 検証のために2つのケーススタディが提示され、最終的な目標は、健全で不健康なラベルでクリーンなデータセットを作成することである。
  論文  参考訳（メタデータ） (2021-10-08T17:10:12Z)

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。