論文の概要: Statistical Exploration of Relationships Between Routine and Agnostic Features Towards Interpretable Risk Characterization

• arxiv url: http://arxiv.org/abs/2001.10353v1
• Date: Tue, 28 Jan 2020 14:27:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 03:01:57.767029
• Title: Statistical Exploration of Relationships Between Routine and Agnostic Features Towards Interpretable Risk Characterization
• Title（参考訳）: 予測的リスクキャラクタリゼーションに向けた規則的特徴と不可知的特徴の関係の統計的探索
• Authors: Eric Wolsztynski
• Abstract要約: 臨床的実装のための予後モデルをどのように解釈するか? 放射能特徴集合内の潜在的な情報構造をどうやって特定できるのか? そして、どのようにして機能間の潜在的な関係を再結合または活用して、解釈可能性を改善することができるのか?
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As is typical in other fields of application of high throughput systems, radiology is faced with the challenge of interpreting increasingly sophisticated predictive models such as those derived from radiomics analyses. Interpretation may be guided by the learning output from machine learning models, which may however vary greatly with each technique. Whatever this output model, it will raise some essential questions. How do we interpret the prognostic model for clinical implementation? How can we identify potential information structures within sets of radiomic features, in order to create clinically interpretable models? And how can we recombine or exploit potential relationships between features towards improved interpretability? A number of statistical techniques are explored to assess (possibly nonlinear) relationships between radiological features from different angles.
• Abstract（参考訳）: 他の高スループットシステムの応用分野と同様に、ラジオロジーは、ラジオミクス解析から派生したような、より洗練された予測モデルを理解するという課題に直面している。 解釈は、機械学習モデルからの学習結果によって導かれるが、各テクニックによって大きく異なる可能性がある。 このアウトプットモデルが何であれ、重要な疑問が浮かび上がるだろう。 臨床応用のための予後モデルをどう解釈するか? 臨床的に解釈可能なモデルを作成するために,放射線学的特徴セット内の潜在的な情報構造をどうやって特定できるのか? そして、どのようにして機能間の潜在的な関係を再結合し、活用し、解釈性を改善するのか? 様々な角度から放射線学的特徴間の関係(おそらく非線形)を評価するために、いくつかの統計手法が研究されている。

関連論文リスト

• Automated Radiology Report Generation: A Review of Recent Advances [5.965255286239531]
  人工知能の最近の技術進歩は、自動放射線学レポート生成に大きな可能性を示している。 人工知能の最近の進歩は、自動放射線診断レポート生成に大きな可能性を示している。
  論文  参考訳（メタデータ） (2024-05-17T15:06:08Z)
• Evaluating Explanatory Capabilities of Machine Learning Models in Medical Diagnostics: A Human-in-the-Loop Approach [0.0]
  我々は、膵癌治療の確立に関係するさまざまな特徴の重要性を確立するために、Human-in-the-Loop関連技術と医療ガイドラインをドメイン知識の源泉として使用しています。 本稿では,説明結果の解釈を容易にするため,重み付きジャカード類似度係数などの類似度尺度を提案する。
  論文  参考訳（メタデータ） (2024-03-28T20:11:34Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• survex: an R package for explaining machine learning survival models [8.028581359682239]
  本稿では,人工知能技術を適用して生存モデルを説明するためのフレームワークであるsurvex Rパッケージを紹介する。 提案するソフトウェアの能力は生存モデルの理解と診断を含んでおり、その改善につながる可能性がある。
  論文  参考訳（メタデータ） (2023-08-30T16:14:20Z)
• 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)
• Analyzing the Effects of Handling Data Imbalance on Learned Features from Medical Images by Looking Into the Models [50.537859423741644]
  不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。 ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
  論文  参考訳（メタデータ） (2022-04-04T09:38:38Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。