MARC

 008250123s2024        us                              c    eng  d
■001000017160286
■00520250211150950
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383566725
■035    ▼a(MiAaPQ)AAI30993047
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aYou,  Chenyu.
■24510▼aRobust  Machine  Learning  for  Biomedical  Data:  Efficiency,  Reliability,  and  Generalizability
■260    ▼a[Sl]▼bYale  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a273  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-01,  Section:  B.
■500    ▼aAdvisor:  Duncan,  James  S.
■5021  ▼aThesis  (Ph.D.)--Yale  University,  2024.
■520    ▼aIn  the  rapidly  growing  area  of  machine  learning  (ML),  there  is  profound  promise  in  crafting  intelligent,  data-driven  methods  for  diverse  real-world  applications.  Yet,  in  safety-critical  domains  like  healthcare,  some  fundamental  challenges  remain.  First,  the  insufficiency  of  raw  biomedical  data  emphasizes  the  need  for  data-efficient  and  robust  learning  approaches.Second,  the  imperative  of  safety  and  stability  necessitates  a  cohesive  framework  that  unifies  learning  with  theoretical  guarantees.Third,  the  inherent  heterogeneity  and  distribution  shifts  in  real-world  clinical  data  call  for  robust  and  generalizable  learning  methods.Amid  the  challenges  we  face,  my  research  vision  is  to  establish  a  solid  foundation  for  healthcare  and  machine  learning  that  enables  the  sustained  and  trustworthy  deployments  of  artificial  intelligence  (AI)  systems  within  the  complex  landscape  of  real-world  clinical  settings.  Fundamentally,  my  research  agenda  is  centered  around  building  robust,  reliable  and  equitable  biomedical  AI  systems,  that  not  only  efficiently  harness  the  large  amount  of  raw  biomedical  data,  but  also  accurately  reconstruct  anatomical  structures  (e.g.,  organs,  bones,  tumors)  from  sensory  signals,  intelligently  process  imperfect  biomedical  data  (e.g.,  images,  text,  signals),  and  are  more  crucially  anchored  with  theoretical  grounding.To  this  end,  I  systematically  studies  representation  learning  for  medical  computing  and  analysis,  standing  out  in  three  key  aspects.  First,  I  formulate  the  problem  from  practical  and  theoretical  perspectives,  ensuring  a  comprehensive  understanding.  Second,  I  seamlessly  integrate  the  theoretical  foundations  into  state-of-the-art  algorithms,  not  only  improving  benchmark  performance  but  also  providing  certifiable  theoretical  guarantees,  where  unified  medical-  and  learning-  theoretic  analysis  is  just  beginning  to  take  shape.  Third,  my  work  equips  medical  AI  agents  with  the  capability  to  generalize  across  diverse  scenarios,  significantly  broadening  their  applicability  and  effectiveness.I  have  incorporated  ideas  from  infant  development  into  designing  mechanisms  that  enable  medical  AI  systems  to  explore  and  understand  their  environment  through  experimentation.  The  findings  indicate  that  my  approach  to  learning  empowers  the  AI  agent  to  seamlessly  adapt  to  unseen  clinical  settings  and  leverage  its  accumulated  knowledge  to  efficiently  tackle  new  clinical  challenges.
■590    ▼aSchool  code:  0265.
■650  4▼aMedical  imaging
■650  4▼aComputer  engineering
■653    ▼aMachine  Learning
■653    ▼aMedical  Image  Analysis
■690    ▼a0574
■690    ▼a0800
■690    ▼a0464
■71020▼aYale  University▼bElectrical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-01B.
■790    ▼a0265
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17160286▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서