Jan, 2024

数据有效学习：一项综合医学基准

PDF
TL;DR我们的研究论文针对数据有效学习在医学领域的研究空白，引入了一种全面的基准，用于评估医学领域中的数据有效学习。该基准包括来自 31 个医疗中心的数百万数据样本的数据集（DataDEL），用于对比的基线方法（MedDEL），以及客观衡量数据有效学习性能的新评估指标（NormDEL）。我们广泛的实验结果表明，基线方法 MedDEL 仅使用 5% 的数据就可以达到与原始大数据集相当的性能。建立这样一个开放的数据有效学习基准对医学人工智能研究社区至关重要，因为它促进了高效数据利用、推动协作突破和发展成本效益高、可扩展且有影响力的医疗解决方案。
发现论文，激发创造
  • 人工智能发展的基准数据集未能满足医疗专业人员的需求

    通过深入文献和在线资源的系统性研究，我们编制并发布了一个全面的与临床和生物医学自然语言处理（NLP）广泛领域相关的数据集和基准目录，对 450 个 NLP 数据集进行了手动系统化和注释处理，并与跨医疗应用的相关任务进行了比较，结果显示，当前可用的人工智能基准测试不同于希望在临床环境中进行人工智能自动化的任务，因此需要创建新的基准测试以填补这些差距。

    Jan, 2022

  • 临床时间序列数据的多任务学习和基准测试

    该研究提出了利用来自公开可用的激痛医学信息库（MIMIC-III）数据集的四个临床预测基准，旨在解决机器学习在医疗保健研究中缺乏公开可用基准数据集的问题。

    Mar, 2017

  • 评估可信 AI 医学数据质量的 METRIC 框架：一项系统综述

    通过系统评估医学数据集合，我们提出了 METRIC 框架，该框架包含了 15 个数据质量意识维度，帮助减少偏见、增加稳健性、提高可解释性，从而为医学中可信赖的人工智能奠定了基础。

    Feb, 2024

  • AI 的数据卓越：你为什么应该关心

    这篇论文探讨了机器学习模型的有效性，强调了数据的重要性以及对数据进行优化以提高模型效果的必要性，并指出需要将关注点从算法改进转移到数据的优化。

    Nov, 2021

  • BenchMD：面向医学影像和传感器的模态不可知学习基准测试

    提出了一个名为 BenchMD 的基准测试平台，旨在评估面向临床任务的多个医疗模态数据上的通用 AI 算法如何处理，包括使用 modality-agnostic 方法和 self-supervised learning 技术，研究结果表明当前没有一种方法可以在所有模态上实现出色性能。

    Apr, 2023

  • 评估机器学习在纵向电子医疗数据上的进展

    综合评估医疗机器学习的基准，提出一种基于医学信息志 (MIMIC-III) 的基准，让我们可以直接比较预测性能，并评估生存率、住院时间、表型和患者恶化任务的进展。我们发现，在这些任务上，尽管社区参与度高，但在过去的三年里，几乎没有真正显著的进展。通过我们的元分析，我们发现，深度递归模型的性能仅在某些任务上优于逻辑回归。最后综合这些结果，提出未来医学机器学习基准所需的理想特性。

    Oct, 2020

  • 医学图像分析的高效数据深度学习：综述

    进行全面回顾医学图像分析数据有效深度学习方法，将其按照所依赖的监督水平进行分类，并进一步细分为多个子类，研究常用的数据集和未来的研究方向。

    Oct, 2023

  • 基于 MIMIC 大型医疗数据集的深度学习模型对比

    本篇论文通过 MIMIC-III 数据集进行临床预测任务（如死亡率预测、住院时间预测以及 ICD-9 编码分组预测）的基准测试，结果表明，相较于基于机器学习模型和预测评分系统，深度学习模型在使用原始临床时间序列数据作为输入特征时有更好的表现。

    Oct, 2017

  • 医学图像分析中的标签高效深度学习：挑战与未来方向

    本文调查了超过 300 篇最近的论文，提供了在医学图像分析中标签有效的学习策略方面最新进展的综合概述，并深入研究了标准的半监督、自监督和多实例学习方案，以及最近出现的积极的和注释有效的学习策略。此外，文章还具有独特的特点，详细分析了领域中的当前挑战，并提出了未来研究的潜在途径。

    Mar, 2023

  • AI 竞赛与基准测试：数据集开发

    发展机器学习数据集的方法论和实践经验，涵盖数据准备、集合、质量评估等方面。

    Apr, 2024