論文の概要: LizAI XT -- Artificial Intelligence-Powered Platform for Healthcare Data Management: A Study on Clinical Data Mega-Structure, Semantic Search, and Insights of Sixteen Diseases
- arxiv url: http://arxiv.org/abs/2505.10592v1
- Date: Thu, 15 May 2025 04:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:13.267091
- Title: LizAI XT -- Artificial Intelligence-Powered Platform for Healthcare Data Management: A Study on Clinical Data Mega-Structure, Semantic Search, and Insights of Sixteen Diseases
- Title（参考訳）: LizAI XT -- 医療データ管理のための人工知能を活用したプラットフォーム:臨床データメガ構造、セマンティックサーチ、および16疾患の展望
- Authors: Trung Tin Nguyen, Salomon M. Stemmer, David R. Elmaleh,
- Abstract要約: AIを利用したLizAI XTは、異なる臨床データセットのリアルタイムかつ正確なメガ構造を保証する。
NVIDIA A30 GPU 24GBの4倍のクラスタ上で、プラットフォームの性能を評価する。
- 参考スコア（独自算出の注目度）: 2.8074364079901017
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: AI-powered LizAI XT ensures real-time and accurate mega-structure of different clinical datasets and largely inaccessible and fragmented sources, into one comprehensive table or any designated forms, based on diseases, clinical variables, and/or other defined parameters. We evaluate the platform's performance on a cluster of 4x NVIDIA A30 GPU 24GB, with 16 diseases -- from deathly cancer and COPD, to conventional ones -- ear infections, including a total 16,000 patients, $\sim$115,000 medical files, and $\sim$800 clinical variables. LizAI XT structures data from thousands of files into sets of variables for each disease in one file, achieving >95.0% overall accuracy, while providing exceptional outputs in complicated cases of cancers (99.1%), COPD (98.89%), and asthma (98.12%), without model-overfitting. Data retrieval is sub-second for a variable per patient with a minimal GPU power, which can significantly be improved on more powerful GPUs. LizAI XT uniquely enables fully client-controlled data, complying with strict data security and privacy regulations per region/nation. Our advances complement the existing EMR/EHR, AWS HealthLake, and Google Vertex AI platforms, for healthcare data management and AI development, with large-scalability and expansion at any levels of HMOs, clinics, pharma, and government.
- Abstract（参考訳）: AIを利用したLizAI XTは、さまざまな臨床データセットのリアルタイムかつ正確なメガ構造を保証する。
我々は、このプラットフォームのパフォーマンスを、4x NVIDIA A30 GPU 24GBのクラスタで評価した。死亡がんやPD、従来の疾患など16の疾患があり、合計16,000人の患者、$\sim$115,000の医療ファイル、$\sim$800の臨床変数を含む耳感染症がある。
LizAI XTは、数千のファイルから1つのファイル中の各疾患の変数のセットにデータを構造化し、95.0%の精度を達成し、複雑ながん(99.1%)、COPD(98.89%)、喘息(98.12%)の症例では、モデルオーバーフィッティングなしで例外的な出力を提供する。
データ検索は、最小限のGPUパワーを持つ患者1人当たりの変数では秒単位であり、より強力なGPUでは大幅に改善される。
LizAI XTは、リージョン/ネーションごとに厳格なデータセキュリティとプライバシ規則に従って、完全にクライアント制御されたデータを可能にする。
私たちの進歩は、医療データ管理とAI開発のための既存のEMR/EHR、AWS HealthLake、Google Vertex AIプラットフォームを補完します。
関連論文リスト
- Advancing Healthcare: Innovative ML Approaches for Improved Medical Imaging in Data-Constrained Environments [5.062383478245777]
本研究では,制約を克服する新たなアプローチとして,CAT-U-Netフレームワークを紹介する。
提案するフレームワークは,部品をサンプリングする余分な結合層を追加し,限られたデータから学習する能力を向上させる。
このフレームワークは98%の再現精度を達成し、Dice係数は0.946に近かった。
論文 参考訳（メタデータ） (2024-10-16T05:16:14Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - AI in Pharma for Personalized Sequential Decision-Making: Methods,
Applications and Opportunities [7.598403682247362]
人工知能(AI)の利用は、過去10年間で一貫した成長を遂げてきた。
AIを活用した治療領域としては、腫瘍学(27%)、精神医学(15%)、胃腸学(12%)、神経学(11%)が有力である。
論文 参考訳（メタデータ） (2023-11-30T17:23:17Z) - GastroVision: A Multi-class Endoscopy Image Dataset for Computer Aided
Gastrointestinal Disease Detection [6.231109933741383]
本データセットは, 解剖学的所見, 病理所見, ポリープ除去症例, 正常所見を含む。
経験豊富なGI内科医によって注釈され、検証された。
我々のデータセットは、GI病の検出と分類のためのAIベースのアルゴリズムの開発を促進することができると信じている。
論文 参考訳（メタデータ） (2023-07-16T19:36:03Z) - Multi-confound regression adversarial network for deep learning-based
diagnosis on highly heterogenous clinical data [1.2891210250935143]
我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。
われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。
このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
論文 参考訳（メタデータ） (2022-05-05T18:39:09Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - 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)
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。