# Medical AI

estheri3

Introduction Sleep disorder (수면 장애) Insomnia, hypersomnias, parasomnias, sleep-related breathing, narcolepsy, circadian rhythm disorders, and sleep-related movement disorders, etc. 건강한 수면을 취하지 못하거나, 충분한 수면을 취하고 있음에도 낮 동안에 각성을 유지하지 못하는 상태, 또는 수면 리듬이 흐트러져 있어 잠자거나 깨어 있을 때 어려움을 겪는 상태를 포함하는 매우 폭넓은 개념 Polysomnogram(PSG) recordings (수면다원검사) recordings of physiological signals that are collected during an entire night of sleep multivariate system; EEG + ECG + EOG + EMG

pshpulip22

Overview 이번에 리뷰할 논문은 카이스트 인공지능 대학원 최윤재 교수님이 작성하신 Learning the Graphical Structure of Electronic Health Records with Graph Convolutional Transformer이라는 논문이다. 이 논문은 의료 분야에서 사용하는 EHR 데이터를 그래프 인공 신경망과 Transformer라는 자연어 처리의 혁신적 모델을 결합하여 분석한 논문이라고 할 수 있다. Background Eletronic Health Reocords (EHR, 전자 건강 기록) 본 논문을 리뷰하기에 앞서 필요한 사전 지식에 대해 말해보도록 하겠다. 이 논문에서는 EHR이라는 데이터를 다룬다. 이 데이터는 환자의 방문 날짜 및 진단, 치료 등의 환자에 대한 전반적인 진료 데이터가 Real World의 자연어 형태로 기록이 되어있는 데이터이다. <img src="

ssw9999

Checkerboard Artifact Nueral Network로 image를 generate할 때 checkerboard pattern의 artifact가 생기는 것을 볼 수 있다. Image는 low resolution과 high-level descriptions으로 구축된다. 먼저 rough한 image를 표현하고, 그 다음 detail을 채워넣는데 이때 Deconvolution(or Transposed Convolution) 연산 방법을 사용하는데 이로 인해 주로 발생한다. Deconvolution & Overlap Deconvolution ![](https://velog.velcdn.com/images/ssw9999/post/bad62ed0-35df-4048-b8b5-eca6

sjinu

Paper: https://arxiv.org/pdf/2106.06965.pdf Code: no official github (필자가 작성한 코드는 최하단에 첨부) 0. Abstract X-ray Report Generation에서 중요한 것은 Abnormal region을 잘 포착하고, 이에 대한 기술을 만들어내는 것입니다. 하지만, X-ray data는 대부분 normal region으로 이루어져 있기 때문에, 이에 영향을 크게 받아 abnormal region을 제대로 포착하지 못하곤 합니다. 이와 같은 데이터 편향을 다루기 위해 저자들은 input image와 normal image간의 contrastive information을 비교하는 모델인 Contrastive Attention(CA) Model을 제안합니다. 이를 통해 abnormal region을 더 잘 포착할 수 잇었으며, 더 정확한 description을 반환할

sjinu

Ref [논문리뷰]Clinical Natural Language Processing for Radiation Oncology: A Review and Practical Prime(Red journal, Jan 2021) [[논문리뷰]A Survey on Recent Approaches for Natural Language Processing in Low-Resource Scenarios(ACL Anthology, Jun 2021)](https://velog.io/@sjinu/%EB%85%BC%EB%AC%B8%EB%A6%AC%EB%B7%B0A-Survey-on-Recent-Approaches-for-Natural-Language-Processing-in-Low

sjinu

Paper: https://www.redjournal.org/article/S0360-3016(21)00118-8/fulltext > 보다 domain-specific한 정보를 얻기 위해 방사선학 관련된 Clinical NLP를 다루는 서베이 페이퍼를 리뷰해봅시다. 0. Abstract NLP 알고리즘들은 주로 unstructured free text를 structured data로 바꿔 여러 인사이트를 도출하곤 합니다. 의학 분야에서도, 만약 풍부하고 표현력 있는 수 많은 데이터들을 사용할 수 있다면, 임상 목적에 맞게 빅데이터 연구의 잠재력을 터뜨릴 수 있을 것이다. 아무튼 최근에는 NLP 분야가 발전하면서 다양한 학계/산업계에서 정보 추출 혹은 임상 기록으로부터의 피노타이핑등 여러가지 툴들이 개발되어 왔습니다. > 피노타이핑 : DNA, 유전체, RNA, 단백질, 면역체, 미생물체,

sjinu

Lenovo Vantage가 갑자기 켜지고 칼럼 하나를 던져주길래.. 인공 지능의 시대가 시작되었으며 이미 의료 부문을 혁신하고 있습니다. 의학과 건강 분야에 맹렬할 기세로 파고드는 AI를 살펴보는 첫 번째 단계로 AI를 통해 진단 프로그램, 임상 인프라 그리고 예방 치료가 어떻게 향상되는지 살펴보았습니다. 이 첫 단계를 병원 관리에서 알고리즘 개발에 이르기까지 모든 부문에서 Lenovo가 담당하는 역할을 비롯하여 태도, 규정, 기본 기술에 대한 입문서로 시작할 수 있습니다. 이와 같은 강력한 변화는 모두 환자와 공급자 양쪽에 도구 역할을 하며 향후 10년 동안 이러한 추세가 계속 이어질 것입니다. AI가 신뢰할 수 있는 의사를 대체할 가능성이 없고 환자의 데이터 프라이버시를 인정해야 한다면 중요한 변화는 어떻게 발생할까요? 5년 후의 AI: 더 스마트한 머신 및 가상 어시스턴트 약 5년 후로 가서 필드가 어떻게 변할 수 있는지 살펴보겠습니다. 점진적인 기술 발달

sjinu

Paper: https://academic.oup.com/jamia/article/27/3/457/5651084?login=true 0. Abstract Objective 해당 서베이 페이퍼는 임상 분야에서 딥러닝 기반 NLP 연구들에 대해 체계적으로 리뷰합니다. 특히, methods, scope, context 3가지 체계를 위주로 정량적인 평가를 제공합니다. Materials and Methods 저자들은 주로 전자 의무 기록을 토대로 하는 여러 NLP 방법론들을 다뤘습니다. > MEDLINE, EMBASE, Scopus, ACMDL(Association for Computing Machinery Digital Library), ACLA(Association for Computational Linguistics Anthology) 등의 저널을 기반으로. Results 모델 관점에서는 RNN 계

sjinu

Paper: https://medinform.jmir.org/2021/10/e23898/ 0. Abstract 정보 관련 기술이 너무나 빠르게 발달하고 있기 때문에, 역시 상당히 많은 양의 health data도 처리할 필요가 있습니다. 특히, 진단 텍스트(diagnosis text), 퇴원 요약서(discharge summaries), 온라인 의학 토론, 임상 시험의 자격 기준 등 많은 양의 가치 있는 natrual text가 존재합니다. 현재는 NLP분야와 Health Care 분야 간 교집합에 해당하는 Health natural language processing이 방법론 개발 / 산업 응용 등에 중요한 역할을 하고 있습니다. 해당 서베이 페이퍼는 health-NLP와 의학 분야에서의 응용에 대해 최신 방법론들을 다룹니다. > JMIR Medical Informatics에 투고된 페이퍼들만 다루는 듯 합니다. Keyword: *health care;

sjinu

의학 분야에 쓰이는 NLP에 대해 다룬 서베이 페이퍼들을 서베이해봅시다. 1. A Survey on Recent Approaches for Natural Language Processing in Low-Resource Scenarios(Oct, 2020) Paper: https://arxiv.org/abs/2010.12309 Deep neural network, 그리고 huge language model은 점점 NLP 분야를 지배하고 있습니다. 하지만, 대부분의 모델이 많은 양의 데이터를 필요로 하고, 이에 따라 필연적으로 low-resource 상황에서도 잘 작동할 수 있는 모델에 대한 연구가 많아졌습니다. 대표적으로 NLP 분야에서 쓰이는 방법은 large-scale에 pre-train시킨 다음 downstream-task에 fine-tune하는 방법들이 있는데, 본 서베이 논문도 마찬가지로 **low-

sjinu

Paper: https://www.nature.com/articles/s41598-021-98390-1 0. Abstract 전 세계적으로 의료 종사자가 많지 않기 때문에 진단하는 데 있어서 여러 고충을 앓고 있습니다. 그렇기 때문에, 의학 분야에서 'second opinion'(보조 의견)을 제공하기 위한 reliable VQA 시스템을 구축할 필요가 있습니다. 하지만, 현존하는 대부분의 VQA system은 Medical Image를 다루게끔 설계되지 않았을 뿐만 아니라, 데이터의 양 또한 현저하게 떨어집니다. 본 연구에서 저자들은 위와 같은 문제들을 고려한 Attention-basd multimodal deep learning model인 MedFuseNet를 제안합니다. MedFuseNet은 기본적으로 문제를 simpler tasks로 세분화하여 복잡도를 최소화하게끔 학습을 유도합니다. Med

sjinu

Paper: https://arxiv.org/pdf/2111.10056.pdf 0. Abstract 저자들은 Medical VQA와 관련한 내용을 크게 세 가지로 나눠서 다룹니다. Open medical VQA dataset(source, quantity, feature) Approaches in medical VQA Challaenges and Future research directions 1. Introduction Medical VQA는 일반적으로 임상적인 의사 결정을 보조하고, 환자의 참여를 증진하는 것을 목표로 합니다. 다른 Medical AI는 질병과 데이터, organ types 등을 미리 정의하고 진행하지만, VQA는 일반적으로