Técnicas impulsadas por aprendizaje profundo para la síntesis en tiempo real de datos de salud y físicos multimodales
Autores: Haleem, Muhammad Salman; Ekuban, Audrey; Antonini, Alessio; Pagliara, Silvio; Pecchia, Leandro; Allocca, Carlo
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Técnicas impulsadas por aprendizaje profundo para la síntesis en tiempo real de datos de salud y físicos multimodales
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Advenimiento
Inteligencia artificial
Atención médica
Métodos de síntesis de datos
Tiempo real
Multimodal
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
Con la llegada de la Inteligencia Artificial para la salud, los métodos de síntesis de datos presentan beneficios cruciales al facilitar el rápido desarrollo de modelos de IA mientras protegen a los sujetos de datos y evitan la necesidad de involucrarse en la complejidad de los acuerdos de intercambio y procesamiento de datos.
Descripción
Con la llegada de la Inteligencia Artificial para la salud, los métodos de síntesis de datos presentan beneficios cruciales al facilitar el rápido desarrollo de modelos de IA mientras protegen a los sujetos de datos y evitan la necesidad de involucrarse en la complejidad de los acuerdos de intercambio y procesamiento de datos.