論文の概要: Report for NSF Workshop on Algorithm-Hardware Co-design for Medical Applications

• arxiv url: http://arxiv.org/abs/2603.10976v1
• Date: Wed, 11 Mar 2026 17:02:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:33.067568
• Title: Report for NSF Workshop on Algorithm-Hardware Co-design for Medical Applications
• Title（参考訳）: NSF Workshop on Algorithm-Hardware Co-Design for Medical Applications 参加報告
• Authors: Peipei Zhou, Zheng Dong, Insup Lee, Aidong Zhang, Robert Dick, Majid Sarrafzadeh, Xiaodong Wu, Weisong Shi, Zhuoping Yang, Jingtong Hu, Yiyu Shi,
• Abstract要約: 報告書はNSF Workshop on Algorithm-Hardware Co-Design for Medical Applicationsの議論とレコメンデーションを要約している。 報告書は、次世代医療技術がどのように考えられ、設計され、検証され、実践に翻訳されるか、という変化を訴えている。
• 参考スコア（独自算出の注目度）: 36.876809929829946
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This report summarizes the discussions and recommendations from the NSF Workshop on Algorithm-Hardware Co-design for Medical Applications, held on September 26-27, 2024, in Pittsburgh, PA. The workshop assembled an interdisciplinary cohort of researchers, clinicians, and industry leaders to examine foundational challenges and develop a strategic roadmap for algorithm-hardware co-design in medical computing. The workshop focuses on four thematic areas: (1) teleoperations, telehealth, and surgical operations; (2) wearable and implantable medicine, including implantable living pharmacies; (3) home ICU, hospital systems, and elderly care; and (4) medical sensing, imaging, and reconstruction. This report calls for a fundamental shift in how next-generation medical technologies are conceived, designed, validated, and translated into practice. The report recommends that NSF sustain investment in shared standardized data infrastructures and compute infrastructures, develop clinic workflow-aware systems and human-AI collaboration frameworks, promote scalable validation ecosystems grounded in objective, continuous measures, and physics-informed, and enable safe, accountable, and resilient platforms, including virtual-physical healthcare ecosystems, to de-risk translational pathways. The workshop information can be found on the website: https://sites.google.com/view/nsfworkshop.
• Abstract（参考訳）: NSF Workshop on Algorithm-Hardware Co-Design for Medical Applicationsは、2024年9月26日から27日にかけてピッツバーグで開催された。 ワークショップでは、研究者、臨床医、業界リーダーの学際的コホートを組織し、基礎的課題を調べ、アルゴリズム・ハードウェアの共同設計のための戦略的ロードマップを策定した。 本ワークショップは,(1)遠隔操作,遠隔医療,外科手術,(2)植込み可能な生体薬局を含むウェアラブルおよびインプラント医療,(3)在宅ICU,病院システム,高齢者医療,(4)医療センシング,画像,再建の4つのテーマに焦点をあてる。 このレポートは、次世代医療技術がどのように考えられ、設計され、検証され、実践に変換されるか、という根本的な変化を訴えている。 報告書は、NSFが共有標準化されたデータインフラストラクチャとコンピューティングインフラストラクチャへの投資を継続し、クリニックワークフロー対応システムと人間とAIのコラボレーションフレームワークを開発し、客観的、継続的な測定、物理情報に基づくスケーラブルな検証エコシステムを促進し、仮想物理医療エコシステムを含む安全で説明責任のあるプラットフォームを可能にし、翻訳経路のリスクをなくすことを推奨している。 ワークショップ情報は、Webサイト(https://sites.google.com/view/nsfworkshop)で見ることができる。

関連論文リスト

• MedFoundationHub: A Lightweight and Secure Toolkit for Deploying Medical Vision Language Foundation Models [9.098674571831088]
  医用視覚言語モデルをデプロイするためのGUIツールキットであるMedFoundationHubを提案する。 医師はプログラミングの専門知識を使わずに、さまざまなモデルを手動で選択および使用することができる。 また、Dockerが管理するオペレーティングシステムのデプロイメントを通じて、プライバシ保護の推論を保証する。
  論文  参考訳（メタデータ） (2025-08-28T01:39:16Z)
• Reviewing Clinical Knowledge in Medical Large Language Models: Training and Beyond [17.18909853414425]
  臨床知識は現実の医療実践において広く研究されている。 この種の知識を大規模言語モデルに統合することを目的とした研究努力が顕著に増加した。 臨床知識をトレーニングベース、KG支援、RAG支援LSMに組み込むための様々な取り組みについてレビューする。
  論文  参考訳（メタデータ） (2025-02-28T12:00:51Z)
• Clinnova Federated Learning Proof of Concept: Key Takeaways from a Cross-border Collaboration [38.4546326469195]
  Clinnova-MSは、FLを用いて、病気の進行を検知し、介入を誘導し、複数のサイトにわたってデジタルバイオマーカーを検証する、より正確なモデルを開発することで、MS患者のケアを強化することを目的としている。 この技術報告は、Clinnovaフレームワーク内のMRI画像のMSセグメント化に関する、最初の国境を越えたPOCからの洞察と重要な知見を提示する。
  論文  参考訳（メタデータ） (2024-10-03T12:40:52Z)
• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway Encoding [48.348511646407026]
  本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。 このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
  論文  参考訳（メタデータ） (2024-03-11T10:57:45Z)
• Cross-center Early Sepsis Recognition by Medical Knowledge Guided Collaborative Learning for Data-scarce Hospitals [9.148163615040364]
  感染症の疑いとSOFA (Sequential Organ Failure Assessment) の双方を満足させることで, 敗血症を診断できる。 そこで我々は,医学知識であるSofaNetに指導された新たなクロスセンター協調学習フレームワークを提案し,敗血症の早期認識を実現する。
  論文  参考訳（メタデータ） (2023-02-11T14:30:01Z)
• A Comprehensive Survey on Federated Learning: Concept and Applications [0.0]
  本稿では、コンポーネント、課題、アプリケーション、FL環境に重点を置いて、フェデレートラーニング(FL)の総合的研究を行う。 医療システムでは、患者のプライバシと医療状態が重要なデータであるため、協調学習や連携学習が画像に現れる。 使用しているアプリケーションの1つは、協調環境で効率的に動作可能なAI手法に基づいた、脳腫瘍診断インテリジェントシステムである。
  論文  参考訳（メタデータ） (2022-01-23T22:33:23Z)
• 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)
• Surgical Data Science -- from Concepts toward Clinical Translation [67.543698133416]
  外科的データサイエンスは、データの取得、組織化、分析、モデリングを通じて介入医療の質を向上させることを目的としている。 私たちは、その根底にある理由を明かし、この分野における今後の進歩のロードマップを提供しました。
  論文  参考訳（メタデータ） (2020-10-30T14:20:16Z)
• CPAS: the UK's National Machine Learning-based Hospital Capacity Planning System for COVID-19 [111.69190108272133]
  新型コロナウイルス(COVID-19)の2019年は、集中治療リソースに対する前例のない需要を伴う圧倒的な医療システムの脅威となる。 病院資源計画のための機械学習システムであるCPAS(COVID-19 Capacity Planning and Analysis System)を開発した。 CPASは、新型コロナウイルス(COVID-19)のパンデミックに対処するため、全国規模で病院に配備された最初の機械学習ベースのシステムの一つだ。
  論文  参考訳（メタデータ） (2020-07-27T19:39:13Z)

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。