論文の概要: mtslearn: Machine Learning in Python for Medical Time Series

• arxiv url: http://arxiv.org/abs/2603.29432v1
• Date: Tue, 31 Mar 2026 08:38:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.359774
• Title: mtslearn: Machine Learning in Python for Medical Time Series
• Title（参考訳）: mtslearn: 医療時間シリーズのためのPythonの機械学習
• Authors: Zhongheng Jiang, Yuechao Zhao, Donglin Xie, Chenxi Sun, Rongchen Lu, Silu Luo, Zisheng Liang, Shenda Hong,
• Abstract要約: mtslearnは医療時系列データ用に設計されたエンドツーエンドの統合ツールキットである。 広範、長大、フラットなデータフォーマットのパースとアライメントを自動化する。 カスタムアルゴリズムのフレキシブルなインターフェースを提供する。
• 参考スコア（独自算出の注目度）: 13.551658135095446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical time-series data captures the dynamic progression of patient conditions, playing a vital role in modern clinical decision support systems. However, real-world clinical data is highly heterogeneous and inconsistently formatted. Furthermore, existing machine learning tools often have steep learning curves and fragmented workflows. Consequently, a significant gap remains between cutting-edge AI technologies and clinical application. To address this, we introduce mtslearn, an end-to-end integrated toolkit specifically designed for medical time-series data. First, the framework provides a unified data interface that automates the parsing and alignment of wide, long, and flat data formats. This design significantly reduces data cleaning overhead. Building on this, mtslearn provides a complete pipeline from data reading and feature engineering to model training and result visualization. Furthermore, it offers flexible interfaces for custom algorithms. Through a modular design, mtslearn simplifies complex data engineering tasks into a few lines of code. This significantly lowers the barrier to entry for clinicians with limited programming experience, empowering them to focus more on exploring medical hypotheses and accelerating the translation of advanced algorithms into real-world clinical practice. mtslearn is publicly available at https://github.com/PKUDigitalHealth/mtslearn.
• Abstract（参考訳）: 医療時系列データは、患者の動的進行を捉え、現代の臨床的意思決定支援システムにおいて重要な役割を担っている。 しかし、実際の臨床データは極めて異質で一貫性のないフォーマットである。 さらに、既存の機械学習ツールは、急な学習曲線と断片化されたワークフローを持つことが多い。 その結果、最先端のAI技術と臨床応用の間には大きなギャップが残っている。 これを解決するために,医療時系列データに特化して設計されたエンドツーエンド統合ツールキットであるmtslearnを紹介する。 まず、このフレームワークは、広範、長大、フラットなデータフォーマットのパースとアライメントを自動化する統一データインターフェースを提供する。 この設計により、データのクリーニングのオーバーヘッドが大幅に削減される。 mtslearnは、データ読み込みと機能エンジニアリングからモデルトレーニング、結果の可視化まで、完全なパイプラインを提供する。 さらに、カスタムアルゴリズムのためのフレキシブルなインターフェースを提供する。 モジュール設計により、mtslearnは複雑なデータエンジニアリングタスクを数行のコードに単純化する。 これにより、プログラミング経験が限られている臨床医の参入障壁が大幅に低下し、医学的な仮説を探究することに集中し、高度なアルゴリズムを現実の臨床実践に翻訳することを可能にする。 mtslearnはhttps://github.com/PKUDigitalHealth/mtslearn.comで公開されている。

関連論文リスト

• EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
  機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。 本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
  論文  参考訳（メタデータ） (2024-03-27T02:24:38Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Yet Another ICU Benchmark: A Flexible Multi-Center Framework for Clinical ML [0.7982607013768545]
  Another ICU Benchmark (YAIB) は、再現性と同等の臨床ML実験を定義するためのモジュラーフレームワークである。 YAIBは、ほとんどのオープンアクセスICUデータセット(MIMIC III/IV、eICU、HiRID、AUMCdb)をサポートし、将来のICUデータセットに容易に適応できる。 データセットの選択,コホート定義,前処理が予測性能に大きな影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2023-06-08T11:16:20Z)
• TemporAI: Facilitating Machine Learning Innovation in Time Domain Tasks for Medicine [91.3755431537592]
  TemporAIは、機械学習(ML)タスクのためのオープンソースのPythonソフトウェアライブラリである。 時系列、静的、イベントモダリティのデータをサポートし、予測、因果推論、時間対イベント分析のためのインターフェースを提供する。
  論文  参考訳（メタデータ） (2023-01-28T17:57:53Z)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• PyHealth: A Python Library for Health Predictive Models [53.848478115284195]
  PyHealthは、医療データ上で様々な予測モデルを開発するためのオープンソースのPythonツールボックスである。 データ前処理モジュールにより、複雑なヘルスケアデータセットを機械学習フレンドリーなフォーマットに変換できます。 予測モデリングモジュールは、確立されたアンサンブルツリーとディープニューラルネットワークベースのアプローチを含む30以上の機械学習モデルを提供します。
  論文  参考訳（メタデータ） (2021-01-11T22:02:08Z)
• A Data and Compute Efficient Design for Limited-Resources Deep Learning [68.55415606184]
  同変ニューラルネットワークは 深層学習コミュニティへの関心を高めています 医療分野では、データの対称性を効果的に活用して、より正確で堅牢なモデルの構築に成功している。 ディープ・ラーニング・ソリューションのモバイル・オン・デバイス実装は医療応用のために開発されている。 しかし、同変モデルは大規模で計算コストのかかるアーキテクチャを用いて一般的に実装されており、モバイルデバイス上では動作しない。 本研究では、MobileNetV2の同変バージョンを設計、テストし、さらにモデル量子化により最適化し、より効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2020-04-21T00:49:11Z)

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。