MARC

 008250123s2024        us                              c    eng  d
■001000017164822
■00520250211153051
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346389798
■035    ▼a(MiAaPQ)AAI31643331
■035    ▼a(MiAaPQ)Stanfordjr478gf9209
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519.54
■1001  ▼aMottaghi,  Seyyed  Ali.
■24510▼aData-Efficient  Algorithms  for  Advancing  Medical  Artificial  Intelligence
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a124  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Yeung-Levy,  Serena.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aAs  artificial  intelligence  increasingly  integrates  into  medical  practice,  the  need  for  data-efficient  models  becomes  paramount,  especially  given  the  high  cost  and  complexity  of  obtaining  large,  annotated  datasets  in  the  medical  field.  This  dissertation  is  structured  around  three  central  themes:1.  Utilizing  Active  Learning  to  Address  Label  Scarcity:  Active  learning  is  employed  to  strategically  select  the  most  informative  data  points  for  labeling,  thereby  maximizing  the  utility  of  limited  labeling  resources.  The  work  introduces  a  novel  adversarial  representation  active  learning  framework  that  effectively  combines  adversarial  learning  with  active  learning  to  enhance  model  performance  in  scenarios  with  limited  labeled  data.  Additionally,  a  focused  application  on  medical  symptom  recognition  from  patient-reported  text  demonstrates  how  active  learning  can  address  the  challenges  of  long-tailed,  multi-label  distributions  in  telehealth  settings.2.  Maximizing  Unlabeled  Data  with  Semi-Supervised  Learning  and  Domain  Adaptation:  The  dissertation  advances  the  state-of-the-art  in  semi-supervised  learning  by  developing  methods  that  leverage  the  vast  amounts  of  unlabeled  data  available  in  medical  contexts.  The  proposed  AdaEmbed  model  for  semi-supervised  domain  adaptation  addresses  the  issue  of  domain  shift,  enabling  AI  models  trained  in  one  clinical  environment  to  adapt  effectively  to  new,  unlabelled  domains.  This  theme  is  further  explored  through  the  adaptation  of  surgical  activity  recognition  models  across  different  operating  rooms,  highlighting  the  importance  of  robust  domain  adaptation  in  achieving  generalizable  AI  solutions.3.  Enhancing  Robustness  and  Efficiency  with  Pre-Trained  Foundation  Models:  To  overcome  the  challenges  of  limited  data  and  enhance  model  robustness,  the  dissertation  explores  the  use  of  pre-trained  models  and  foundation  models  in  healthcare  applications.  This  is  exemplified  through  the  development  of  a  video-based  AI  system  for  assessing  facial  paralysis,  which  uses  pre-trained  components  to  deliver  accurate  and  standardized  assessments.  Additionally,  the  structured  analysis  of  trauma  care  documentation  using  large  language  models  demonstrates  how  AI  can  transform  unstructured  clinical  notes  into  organized,  actionable  insights,  improving  the  efficiency  and  effectiveness  of  trauma  care.
■590    ▼aSchool  code:  0212.
■650  4▼aSensitivity  analysis
■650  4▼aLabeling
■650  4▼aAdaptation
■650  4▼aTrauma  care
■650  4▼aLarge  language  models
■650  4▼aVisualization
■690    ▼a0800
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164822▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서