解决电子健康记录的标签噪声问题:计算机视觉对表格数据的见解
Jenny Yang1, Hagen Triendl2, Andrew A S Soltan3,4,5
1Institute of Biomedical Engineering, Dept. Engineering Science, University of Oxford, Oxford, England. jenny.yang@eng.ox.ac.uk.
BMC medical informatics and decision making
|June 27, 2024
概括
计算机视觉方法可以改进在电子健康记录 (EHR) 数据上训练的深度学习模型,即使是有噪音的标签. 这些适应技术提高了医疗分析的性能,特别是在COVID-19诊断等任务中.
科学领域:
- 医疗保健分析 医疗保健分析
- 机器学习在医学中的应用
- 电子健康记录 数据分析 数据分析
背景情况:
- 电子健康记录 (EHR) 分析越来越多地使用机器学习 (ML),包括深度学习 (DL).
- 由于收集或人为错误,EHR数据中的标签噪声可能会导致DL模型过度匹配,并影响医疗保健应用.
- 很少有研究专门在EHR领域解决标签噪声挑战.
研究的目的:
- 适应计算机视觉 (CV) 算法,以减轻在DL模型中的标签噪声,这些模型是根据EHR数据进行训练的.
- 评估CV方法在独特的EHR领域的有效性.
- 为了证明在现实世界EHR数据分析中的实际实用性.
主要方法:
- 计算机视觉 (CV) 算法的适应EHR数据.
- 应用单个和组合的CV方法来减轻标签噪声.
- 使用现实世界EHR数据集的验证,包括COVID-19诊断数据.
主要成果:
- 经验证据表明,CV方法显著提高了DL模型在带有噪音标签的EHR数据上的性能.
- 个人和组合CV方法都被证明是有效的.
- 方法在现实世界COVID-19诊断环境中展示了实际的实用性和有效性.
结论:
- 计算机视觉方法在EHR数据分析中有效解决标签噪声.
- 这种调整为医疗分析和研究提供了宝贵的贡献.
- 该研究验证了CV技术在EHR领域的实际应用.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.1K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
