論文の概要: Assessing Robustness of Deep learning Methods in Dermatological Workflow

• arxiv url: http://arxiv.org/abs/2001.05878v2
• Date: Tue, 17 Mar 2020 13:51:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 05:39:28.783197
• Title: Assessing Robustness of Deep learning Methods in Dermatological Workflow
• Title（参考訳）: 皮膚科ワークフローにおける深層学習手法のロバスト性評価
• Authors: Sourav Mishra, Subhajit Chaudhury, Hideaki Imaizumi, Toshihiko Yamasaki
• Abstract要約: 本稿では,特に皮膚科学に焦点をあてて,現在の臨床ワークフローにおける深層学習手法の適合性を評価することを目的とする。 深層学習法は皮膚科医の精度を高めるためにいくつかの個別の条件で試みられているが、一般的な臨床症状に対して厳密な検査は行われていない。
• 参考スコア（独自算出の注目度）: 37.59288436823632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper aims to evaluate the suitability of current deep learning methods for clinical workflow especially by focusing on dermatology. Although deep learning methods have been attempted to get dermatologist level accuracy in several individual conditions, it has not been rigorously tested for common clinical complaints. Most projects involve data acquired in well-controlled laboratory conditions. This may not reflect regular clinical evaluation where corresponding image quality is not always ideal. We test the robustness of deep learning methods by simulating non-ideal characteristics on user submitted images of ten classes of diseases. Assessing via imitated conditions, we have found the overall accuracy to drop and individual predictions change significantly in many cases despite of robust training.
• Abstract（参考訳）: 本稿では, 皮膚科に焦点をあてて, 臨床ワークフローにおける現在の深層学習法の適合性を評価することを目的とした。 深層学習法は皮膚科医の精度を高めるためにいくつかの個別の条件で試みられているが、一般的な臨床症状に対して厳密な検査は行われていない。 ほとんどのプロジェクトは、よく制御された実験室条件で取得されたデータを含んでいる。 これは、対応する画像品質が必ずしも理想的ではない場合の定期的な臨床評価を反映しないかもしれない。 本研究は,10種類の疾患の入力画像に対する非理想的特徴をシミュレートして,深層学習手法のロバスト性をテストする。 擬似条件を用いて評価した結果,強靭な訓練にもかかわらず,個々の予測値が大きく変化することがわかった。

関連論文リスト

• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Assessment and treatment of visuospatial neglect using active learning with Gaussian processes regression [0.3262230127283452]
  視空間無視は、空間と参照フレームの領域に位置する視覚刺激に対する認識障害によって特徴づけられる障害である。 本稿では,患者の空間的無視を三次元的に正確に評価する人工知能ソリューションを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:18:32Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Benchmarking Bayesian Deep Learning on Diabetic Retinopathy Detection Tasks [39.82245729848194]
  このような複雑さを正確に反映した実世界のタスクのセットを提案し、安全クリティカルシナリオにおける予測モデルの信頼性を評価する。 具体的には、糖尿病網膜症を呈する高解像度ヒト網膜画像の2つの公開データセットをキュレートする。 我々はこれらのタスクを用いて、タスク固有の評価指標に基づいて、確立された、そして最先端のベイズ深層学習手法をベンチマークする。
  論文  参考訳（メタデータ） (2022-11-23T05:44:42Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
  本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。 磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-06T16:30:43Z)
• Fair Conformal Predictors for Applications in Medical Imaging [4.236384785644418]
  コンフォーマルな手法は、モデル不確実性を臨床的に直感的に表現する方法を提供することで、ディープラーニングモデルを補完することができる。 マンモグラフィー乳房密度と皮膚写真データセットを用いて実験を行い, コンフォメーション予測の有用性を実証した。 コンフォメーション予測器は, 人種や肌の色調などの患者層に対して, カバー範囲の等化に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-09-09T16:31:10Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Trust Issues: Uncertainty Estimation Does Not Enable Reliable OOD Detection On Medical Tabular Data [0.0]
  本稿では,同時代の不確実性推定手法を含む一連の試験について述べる。 これまでの研究とは対照的に、現実的で臨床的に関係のあるOODグループの試験を設計し、実世界の医療データで実験を行う。
  論文  参考訳（メタデータ） (2020-11-06T10:41:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。