MARC

 008250123s2024        us                              c    eng  d
■001000017162884
■00520250211152108
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382741369
■035    ▼a(MiAaPQ)AAI31349166
■035    ▼a(MiAaPQ)umichrackham005401
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aWarner,  Elisa  Villaflores.
■24510▼aAdvancing  Clinical  Outcome  Prediction  Through  Innovative  Multimodal  and  Domain-Generalized  AI  That  Accommodates  Limited  Data
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a210  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Rao,  Arvind.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aClinical  decision  support  systems  are  computer-based  systems  developed  with  the  goal  of  assisting  health  care  providers  in  arduous  clinical  tasks  or  improving  decision-making.  In  routine  clinical  care,  medical  practices  tend  to  be  dynamic  and  must  account  for  diversity  of  data.  In  this  thesis,  we  focus  on  developing  innovative  multimodal  and  multidomain  AI  models  for  clinical  decision  support,  with  a  focus  on  applications  with  limited  data  availability.  We  start  with  a  survey  chapter  followed  by  three  case  studies  of  multimodal/multidomain  proof-of-concept  Clinical  Decision  Support  (CDS)  models  that  accommodate  limited  data.  Our  research  seeks  to  address  questions  regarding  constructing  machine-learning-based  models  that  mimic  real-world  mental  models  and  bridge  domain  gaps  in  cases  of  limited  data.  In  the  first  chapter,  we  explore  a  survey  of  state-of-the-art  methods  in  multimodal  machine  learning  applied  to  biomedicine,  highlighting  how  these  models  address  five  challenges  of  multimodal  machine  learning:  representation,  fusion,  translation,  alignment  and  co-learning.  Next,  we  tackle  a  case  study  where  we  develop  a  low-parameter  model  to  discriminate  pseudoprogression  and  true  progression  in  glioblastoma  using  a  small  sample  of  MRI  images.  Then,  we  develop  a  clinically-informed  privileged  learning  model  which  leverages  both  routine  clinical  data  and  privileged  information  (CBCT  and  protein  serum/saliva  tests)  to  detect  Temporomandibular  Joint  Osteoarthritis  (TMJ  OA).  Finally,  we  present  a  case  of  domain  generalization  to  allow  a  model  trained  on  one  Alcon  SN60WF  lens  to  predict  post-operative  refraction  in  patients  implanted  with  other  lenses  in  cataract  surgery,  with  an  attempt  to  adapt  to  other  populations  and  "A-constants"  as  well.  We  present  these  three  case  studies  as  examples  of  informed  models  that  accommodate  diverse  data  types,  as  real-world  clinical  practice  is  intrinsically  multimodal  and  multidomain.  We  hope  these  models  provide  inspiration  for  additional  models  outside  of  the  provided  use  cases  and  assert  that  methodologies  can  be  combined  and  adapted  as  needed.
■590    ▼aSchool  code:  0127.
■650  4▼aMedicine
■650  4▼aComputer  science
■650  4▼aBioinformatics
■653    ▼aMultimodal  machine  learning
■653    ▼aDomain  generalization
■653    ▼aPrivileged  learning  model
■653    ▼aClinical  Decision  Support
■690    ▼a0715
■690    ▼a0984
■690    ▼a0564
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bBioinformatics.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162884▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서