医療データストーリーにおける年齢分布の可視化
医療分野では年齢分布が重要であるが、健康コミュニケーションを改善する必要がある。物語的医療可視化は、情報の理解と記憶を向上させる可能性がある。
深層学習を用いた電子カルテデータと医療予測分析のための多データセット分類フレームワーク
本研究では、レジデュアルネットワーク(ResNet-50)とニューラルネットワーク(ANN)を組み合わせた新しい深層学習モデルを提案し、心疾患、肝硬変、網膜画像データの分類精度を向上させた。
医療記録データを活用した緊急/非緊急患者の効率的な分類
医療記録データの特性を考慮し、ドメイン知識を一般言語モデルに効果的に転移することで、緊急/非緊急患者の分類精度を向上させる。
複数の慢性疾患の予測モデリングのための生成フレームワーク: グラフ変分オートエンコーダーとバンディット最適化グラフニューラルネットワークの活用
複雑な患者データの関係性を捉えるグラフ変分オートエンコーダーと、最適なグラフ構造を選択するバンディット最適化を組み合わせることで、複数の慢性疾患の予測精度を向上させる。
慢性腎臓病から末期腎不全への移行を解釈可能に予測する: 説明可能な人工知能手法を用いた管理請求データの活用
管理請求データと先進的な機械学習・深層学習手法を組み合わせることで、慢性腎臓病から末期腎不全への移行を高精度に予測できる。さらに、説明可能な人工知能手法を用いることで、個々の患者の特徴が予測結果に及ぼす影響を明らかにできる。
医療分野におけるプログレッシブデータサイエンスの実践的課題
医療分野におけるプログレッシブデータサイエンスの実践的課題を探る。データ選択、前処理、変換、マイニング、解釈・評価の各段階で直面する課題を明らかにし、今後の課題と機会を示す。
進化的因果探索による解釈可能なデータ分析のための相対的影響度層別化
進化的因果探索(ECD)は、遺伝的プログラミングを用いて変数間の関係を解析し、相対的影響度層別化(RIS)アルゴリズムによって予測変数の応答変数への相対的影響度を評価することで、変数関係の解釈性を高める手法である。
電子健康記録のモデル化のための解釈可能なニューラル時間点過程
ニューラル時間点過程モデルの黒箱性を解決するため、イベントタイプ間の影響を直接パラメータ化し、エンドツーエンドで学習できる解釈可能なフレームワークを提案する。
バイナリ子供の描画開発最適化(BCDDO)を用いた効率的な特徴選択
BCDDOアルゴリズムを用いて、分類精度を最大化しつつ選択された特徴数を最小化する特徴選択手法を提案した。
多様なモダリティを活用した電子カルテデータの包括的な分析と予測
電子カルテデータの多様なモダリティ(時系列データ、診療記録など)を統合的に活用し、術後合併症の発生を正確に予測する手法を提案する。
