論文の概要: On the Encapsulation of Medical Imaging AI Algorithms

• arxiv url: http://arxiv.org/abs/2504.21412v1
• Date: Wed, 30 Apr 2025 08:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:52:25.772154
• Title: On the Encapsulation of Medical Imaging AI Algorithms
• Title（参考訳）: 医用イメージングAIアルゴリズムのカプセル化について
• Authors: Hans Meine, Yongli Mou, Guido Prause, Horst Hahn,
• Abstract要約: 本稿では,医療画像AIアルゴリズムの相互運用性と(再利用性に着目した。 本論文は、医療画像AIアルゴリズムの相互運用性と(再利用性)に焦点を当てた研究データのためのFAIR原則について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the context of collaborative AI research and development projects, it would be ideal to have self-contained encapsulated algorithms that can be easily shared between different parties, executed and validated on data at different sites, or trained in a federated manner. In practice, all of this is possible but greatly complicated, because human supervision and expert knowledge is needed to set up the execution of algorithms based on their documentation, possibly implicit assumptions, and knowledge about the execution environment and data involved. We derive and formulate a range of detailed requirements from the above goal and from specific use cases, focusing on medical imaging AI algorithms. Furthermore, we refer to a number of existing APIs and implementations and review which aspects each of them addresses, which problems are still open, and which public standards and ontologies may be relevant. Our contribution is a comprehensive collection of aspects that have not yet been addressed in their entirety by any single solution. Working towards the formulated goals should lead to more sustainable algorithm ecosystems and relates to the FAIR principles for research data, where this paper focuses on interoperability and (re)usability of medical imaging AI algorithms.
• Abstract（参考訳）: 協力的なAI研究と開発プロジェクトでは、異なるパーティ間で簡単に共有でき、異なるサイトのデータ上で実行され、検証され、あるいはフェデレートされた方法で訓練される、自己完結型のカプセル化されたアルゴリズムを持つことが理想的です。 なぜなら、人間の監督と専門家の知識は、彼らのドキュメント、暗黙の仮定、そして関連する実行環境とデータに関する知識に基づいて、アルゴリズムの実行を設定するのに必要です。 我々は、上記目標と特定のユースケースから、医療画像AIアルゴリズムに焦点をあてて、さまざまな詳細な要件を導出し、定式化する。 さらに、既存のAPIや実装について言及し、それぞれのアスペクトがどの問題に対処しているか、どの問題がまだオープンなのか、どの公開標準やオントロジーが関係しているのかをレビューする。 私たちのコントリビューションは、単一のソリューションで対処されていない、包括的なアスペクトのコレクションです。 定式化された目標に向けた作業は、より持続可能なアルゴリズムエコシステムをもたらし、医療画像AIアルゴリズムの相互運用性と(再利用性)に焦点を当てた研究データのためのFAIR原則に関連している。

関連論文リスト

• STORM: Strategic Orchestration of Modalities for Rare Event Classification [5.691753509745111]
  希少事象に対するモダリティ選択問題を解くために,エントロピーに基づくアルゴリズムを提案する。 モダリティの有用なサブセットを選択することで、私たちのアプローチはより効率的なAI駆動バイオメディカル分析の道を開いた。
  論文  参考訳（メタデータ） (2024-12-03T20:17:39Z)
• AI-Driven Healthcare: A Survey on Ensuring Fairness and Mitigating Bias [2.398440840890111]
  AIアプリケーションは、診断精度、治療のパーソナライゼーション、患者の結果予測を大幅に改善した。 これらの進歩は、実質的な倫理的・公正性の課題ももたらした。 これらのバイアスは、医療提供の格差をもたらし、異なる人口集団の診断精度と治療結果に影響を与える可能性がある。
  論文  参考訳（メタデータ） (2024-07-29T02:39:17Z)
• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Balancing Privacy and Progress in Artificial Intelligence: Anonymization in Histopathology for Biomedical Research and Education [1.8078387709049526]
  医療データを“可能な限りオープン”に転送することは、患者のプライバシにリスクをもたらす。 既存の規制は、再識別リスクを避けるため、医療データを「必要に応じてクローズド」し続けるよう推進している。 本稿では,医療データ共有に関する法的規制と用語について考察する。
  論文  参考訳（メタデータ） (2023-07-18T16:53:07Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Human-Centric Multimodal Machine Learning: Recent Advances and Testbed on AI-based Recruitment [66.91538273487379]
  人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。 i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。 異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
  論文  参考訳（メタデータ） (2023-02-13T16:44:44Z)
• Generalization of Artificial Intelligence Models in Medical Imaging: A Case-Based Review [0.0]
  様々なAIアルゴリズムの落とし穴を理解するためには,放射線科医の実践が重要である。 AIの使用は、それを支援するものに対するリスクとメリットの根本的な理解によって先行するべきである。
  論文  参考訳（メタデータ） (2022-11-15T10:09:51Z)
• Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
  本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。 我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。 オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
  論文  参考訳（メタデータ） (2021-08-15T01:06:26Z)
• A Field Guide to Federated Optimization [161.3779046812383]
  フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。 本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
  論文  参考訳（メタデータ） (2021-07-14T18:09:08Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)

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。