論文の概要: Estimating Uncertainty and Interpretability in Deep Learning for
Coronavirus (COVID-19) Detection
- arxiv url: http://arxiv.org/abs/2003.10769v2
- Date: Fri, 27 Mar 2020 16:48:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 05:06:08.315648
- Title: Estimating Uncertainty and Interpretability in Deep Learning for
Coronavirus (COVID-19) Detection
- Title（参考訳）: コロナウイルスの深層学習における不確実性と解釈可能性の推定
- Authors: Biraja Ghoshal, Allan Tucker
- Abstract要約: コンピュータベースの診断にどれだけの自信があるかを知ることは、臨床医にこの技術への信頼を得るのに不可欠である。
本稿では,減量重みに基づくベイズ畳み込みニューラルネットワーク(BCNN)を用いて,ディープラーニングソリューションにおける不確実性を推定する方法について検討する。
不確実性を認識したディープラーニングソリューションが利用できることで、臨床環境でのAI(Artificial Intelligence)の広範な採用が可能になると考えています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep Learning has achieved state of the art performance in medical imaging.
However, these methods for disease detection focus exclusively on improving the
accuracy of classification or predictions without quantifying uncertainty in a
decision. Knowing how much confidence there is in a computer-based medical
diagnosis is essential for gaining clinicians trust in the technology and
therefore improve treatment. Today, the 2019 Coronavirus (SARS-CoV-2)
infections are a major healthcare challenge around the world. Detecting
COVID-19 in X-ray images is crucial for diagnosis, assessment and treatment.
However, diagnostic uncertainty in the report is a challenging and yet
inevitable task for radiologist. In this paper, we investigate how drop-weights
based Bayesian Convolutional Neural Networks (BCNN) can estimate uncertainty in
Deep Learning solution to improve the diagnostic performance of the
human-machine team using publicly available COVID-19 chest X-ray dataset and
show that the uncertainty in prediction is highly correlates with accuracy of
prediction. We believe that the availability of uncertainty-aware deep learning
solution will enable a wider adoption of Artificial Intelligence (AI) in a
clinical setting.
- Abstract（参考訳）: 深層学習は医用画像における芸術的パフォーマンスの状態を達成している。
しかし、これらの疾患検出方法は、決定の不確実性を定量化することなく、分類や予測の精度の向上にのみ焦点をあてている。
コンピュータベースの診断にどの程度の信頼性があるかを知ることは、臨床医がこの技術を信頼し、治療を改善するために不可欠である。
現在、2019年のコロナウイルス(SARS-CoV-2)感染は世界中で大きな医療課題となっている。
x線画像中の新型コロナウイルスの検出は診断、診断、治療に不可欠である。
しかし、この報告における診断の不確実性は、放射線医にとって困難でありながら必然的な課題である。
本稿では,bcnn (drop-weights based bayesian convolutional neural networks) が深層学習ソリューションにおける不確かさを推定し,一般公開されたcovid-19胸部x線データセットを用いて,人間-マシンチームの診断性能を向上させる方法について検討し,予測の不確実性が予測精度と高い相関性を示す。
不確実性を認識したディープラーニングソリューションが利用できることで、臨床環境でのAI(Artificial Intelligence)の広範な採用が可能になると考えています。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Region-specific Risk Quantification for Interpretable Prognosis of COVID-19 [36.731054010197035]
新型コロナウイルス(COVID-19)のパンデミックは、世界的な公衆衛生を悪化させ、正確な診断と疾病対策の介入を必要とし、死亡率を下げている。
胸部X線画像(CXR)を用いて、新型コロナウイルスの予後に対する理解と信頼の向上を目的とした、解釈可能な深層生存予測モデルを提案する。
論文 参考訳（メタデータ） (2024-05-05T05:08:38Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T13:44:55Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - A Review of Uncertainty Estimation and its Application in Medical
Imaging [32.860577735207094]
不確実性推定は、深部モデルの予測とともに信頼性評価を生成する上で重要な役割を果たす。
これは特に医療画像において重要であり、モデルの予測の不確実性は、関心領域の特定や、臨床医への追加情報の提供に利用することができる。
論文 参考訳（メタデータ） (2023-02-16T06:54:33Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Confidence Aware Neural Networks for Skin Cancer Detection [12.300911283520719]
画像からの皮膚癌検出における不確かさを定量化する3つの方法を提案する。
その結果, 予測不確実性推定手法は, リスクや誤予測を予測できることがわかった。
また、アンサンブルアプローチは推論によって不確実性を捉える上でより信頼性が高いことを示す。
論文 参考訳（メタデータ） (2021-07-19T19:21:57Z) - Reducing Risk and Uncertainty of Deep Neural Networks on Diagnosing
COVID-19 Infection [1.3701366534590498]
本研究は,専門家参照の混乱事例を検出するために不確実性推定を導入する。
医療専門家との協働により, 臨床実践における最善の実施方法の実現可能性を確保するために, 結果をさらに検証する。
論文 参考訳（メタデータ） (2021-04-28T21:36:25Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。