Fugu-MT 論文翻訳(概要): Enabling the AI Revolution in Healthcare

論文の概要: Enabling the AI Revolution in Healthcare

arxiv url: http://arxiv.org/abs/2503.05801v1
Date: Mon, 03 Mar 2025 18:17:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-16 07:11:41.331925
Title: Enabling the AI Revolution in Healthcare
Title（参考訳）: 医療におけるAI革命の実現
Authors: Mona Singh, Katie Siek, David Danks, Rayid Ghani, Haley Grin, Brian LaMacchia, Daniel Lopresti, Tammy Toscos,
Abstract要約: 医療におけるAIの可能性は、複数のシステムにまたがるサイロ化された患者データによって制限される。連邦政府のイニシアチブは、データ共有のための健康データリポジトリに重要なインフラを提供するために必要である。
参考スコア（独自算出の注目度）: 5.566499456184244
License:
Abstract: The transformative potential of AI in healthcare - including better diagnostics, treatments, and expanded access - is currently limited by siloed patient data across multiple systems. Federal initiatives are necessary to provide critical infrastructure for health data repositories for data sharing, along with mechanisms to enable access to this data for appropriately trained computing researchers.
Abstract（参考訳）: 医療におけるAIの変革の可能性 - より良い診断、治療、拡張アクセスを含む - は、現在、複数のシステムにわたるサイロ化された患者データによって制限されている。連邦政府のイニシアチブは、データ共有のための健康データリポジトリのための重要なインフラストラクチャと、適切なトレーニングを受けたコンピューティング研究者のためのデータへのアクセスを可能にするメカニズムを提供する必要がある。

関連論文リスト

Retrieval Augmented Thought Process for Private Data Handling in Healthcare [53.89406286212502]
Retrieval-Augmented Thought Process (RATP)を紹介する。 RATPは大規模言語モデル(LLM)の思考生成を定式化する電子カルテのプライベートデータセットにおいて、RATPは、質問応答タスクのコンテキスト内検索強化生成と比較して35%の精度を達成している。
論文参考訳（メタデータ） (2024-02-12T17:17:50Z)
Multimodal Federated Learning in Healthcare: a Review [5.983768682145731]
フェデレートラーニング(FL)は、データを統合する必要のない分散メカニズムを提供する。本稿では,医療分野におけるマルチモーダル・フェデレート・ラーニング(MMFL)の現状について概説する。最先端のAI技術と、医療アプリケーションにおける患者のデータプライバシの必要性のギャップを埋めることを目指している。
論文参考訳（メタデータ） (2023-10-14T19:43:06Z)
Patchwork Learning: A Paradigm Towards Integrative Analysis across Diverse Biomedical Data Sources [40.32772510980854]
パッチワーク学習(PL)とは、異なるデータモダリティからなる異なるデータセットからの情報を統合するパラダイムである。 PLはデータのプライバシを保持しながら、補完的なデータソースの同時利用を可能にする。本稿では、パッチワーク学習の概念とその医療における実装について紹介し、潜在的な機会と適用可能なデータソースを探求する。
論文参考訳（メタデータ） (2023-05-10T14:50:33Z)
The Design and Implementation of a National AI Platform for Public Healthcare in Italy: Implications for Semantics and Interoperability [62.997667081978825]
イタリア国立衛生局は、その技術機関を通じて人工知能を採用している。このような広大なプログラムには、知識領域の形式化に特別な注意が必要である。 AIが患者、開業医、健康システムに与える影響について疑問が投げかけられている。
論文参考訳（メタデータ） (2023-04-24T08:00:02Z)
Bringing the Algorithms to the Data -- Secure Distributed Medical Analytics using the Personal Health Train (PHT-meDIC) [1.451998131020241]
パーソナルヘルストレイン(PHT)パラダイムは、"データへのアルゴリズム"パラダイムを実装している。本稿では,PHT概念のオープンソース実装であるPHT-meDICを提案する。
論文参考訳（メタデータ） (2022-12-07T06:29:15Z)
Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文参考訳（メタデータ） (2022-05-19T17:34:18Z)
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)
Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach [59.535699822923]
インターネット提供型心理的治療(IDPT)は、メンタルヘルスのアクセシビリティを向上させるための効果的でスケーラブルな経路であると考えられている。本研究は,最小限の敏感なログイン/ログアウトデータに依存しながら,自動アドバンス予測を行うディープラーニングアプローチを提案する。提案されたセルフアテンションネットワークは、治療期間の1/3が経過した時点で、平均的バランスの正確さを70%以上達成した。
論文参考訳（メタデータ） (2022-01-11T13:55:57Z)
A Methodology for a Scalable, Collaborative, and Resource-Efficient Platform to Facilitate Healthcare AI Research [0.0]
本稿では,データ取得,データセット開発と分析,AIモデル開発を高速化するシステムを提案する。このシステムは、1時間に15,000人の患者記録を取り込み、各記録は何千もの測定値、テキストノート、高解像度のデータを表す。
論文参考訳（メタデータ） (2021-12-13T18:39:10Z)
MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文参考訳（メタデータ） (2021-09-29T18:09:41Z)
The Future of Digital Health with Federated Learning [15.45906320465105]
データ駆動機械学習は、医療データから正確で堅牢な統計モデルを構築するための有望なアプローチとして登場した。既存の医療データは、主にデータサイロに置かれており、プライバシの懸念によってデータへのアクセスが制限されているため、MLによって完全に利用されていない。本稿では、フェデレートラーニングがデジタルヘルスの未来にどのように解決策をもたらすかを考察し、対処すべき課題と考察を強調する。
論文参考訳（メタデータ） (2020-03-18T09:40:56Z)

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。