論文の概要: Peri-Diagnostic Decision Support Through Cost-Efficient Feature Acquisition at Test-Time

• arxiv url: http://arxiv.org/abs/2003.14127v2
• Date: Fri, 31 Jul 2020 12:24:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 00:22:58.685153
• Title: Peri-Diagnostic Decision Support Through Cost-Efficient Feature Acquisition at Test-Time
• Title（参考訳）: テスト時のコスト効率の高い機能獲得による異種間意思決定支援
• Authors: Gerome Vivar, Kamilia Mullakaeva, Andreas Zwergal, Nassir Navab, and Seyed-Ahmad Ahmadi
• Abstract要約: CADxのサブプロブレムは、取得段階を含む、周辺診断ワークフロー全体を通して医師を導くことである。 本稿では,入力層でのドロップアウトと,テスト時にトレーニングネットワークの統合勾配を動的に考慮し,特徴量の重要性を評価できる新しいアプローチを提案する。 その結果,提案手法は従来手法よりもコスト効率が高く,全体の精度も高いことがわかった。
• 参考スコア（独自算出の注目度）: 37.160335232396406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computer-aided diagnosis (CADx) algorithms in medicine provide patient-specific decision support for physicians. These algorithms are usually applied after full acquisition of high-dimensional multimodal examination data, and often assume feature-completeness. This, however, is rarely the case due to examination costs, invasiveness, or a lack of indication. A sub-problem in CADx, which to our knowledge has received very little attention among the CADx community so far, is to guide the physician during the entire peri-diagnostic workflow, including the acquisition stage. We model the following question, asked from a physician's perspective: "Given the evidence collected so far, which examination should I perform next, in order to achieve the most accurate and efficient diagnostic prediction?". In this work, we propose a novel approach which is enticingly simple: use dropout at the input layer, and integrated gradients of the trained network at test-time to attribute feature importance dynamically. We validate and explain the effectiveness of our proposed approach using two public medical and two synthetic datasets. Results show that our proposed approach is more cost- and feature-efficient than prior approaches and achieves a higher overall accuracy. This directly translates to less unnecessary examinations for patients, and a quicker, less costly and more accurate decision support for the physician.
• Abstract（参考訳）: 医学におけるコンピュータ支援診断(CADx)アルゴリズムは、医師に患者固有の意思決定支援を提供する。 これらのアルゴリズムは通常、高次元マルチモーダル検査データの完全取得後に適用され、しばしば特徴完全性を仮定する。 しかし、検査コスト、侵襲性、または徴候の欠如により、このようなケースはめったにない。 CADxのサブプロブレムは,これまでにCADxコミュニティでほとんど注目されていないが,取得段階を含む診断ワークフロー全体において,医師を指導することを目的としている。 我々は、医師の視点から「これまで収集された証拠を収集し、最も正確で効率的な診断予測を達成するために、次にどの検査を行うべきか」という質問をモデル化した。 本研究では,入力層でのドロップアウトの利用と,テスト時にトレーニングされたネットワークの勾配の統合により,機能の重要性を動的に属性づけする手法を提案する。 2つの公衆医療と2つの合成データセットを用いて,提案手法の有効性を検証する。 その結果,提案手法は従来手法よりもコスト効率が高く,全体の精度も高いことがわかった。 これは直接的に、患者にとって不要な検査を減らし、医師にとってより早く、よりコストが低く、より正確な意思決定支援に繋がる。

関連論文リスト

• ProtoAL: Interpretable Deep Active Learning with prototypes for medical imaging [0.6292138336765966]
  本稿では,解釈可能なDLモデルをDeep Active Learningフレームワークに統合するProtoAL手法を提案する。 我々は,Messidorデータセット上でProtoALを評価し,精度-リコール曲線0.79の領域を実現するとともに,利用可能なラベル付きデータの76.54%しか利用していない。
  論文  参考訳（メタデータ） (2024-04-06T21:39:49Z)
• The Limits of Perception: Analyzing Inconsistencies in Saliency Maps in XAI [0.0]
  説明可能な人工知能(XAI)は、AIの意思決定プロセスの解明に不可欠である。 ブラックボックス」として機能し、その理由が曖昧でアクセスできないため、誤診のリスクが高まる。 この透明性へのシフトは、単に有益であるだけでなく、医療におけるAI統合の責任を負うための重要なステップでもある。
  論文  参考訳（メタデータ） (2024-03-23T02:15:23Z)
• Early detection of inflammatory arthritis to improve referrals using multimodal machine learning from blood testing, semi-structured and unstructured patient records [3.4613220860212945]
  IA早期検出における意思決定を支援するため,マルチモーダルデータを用いた融合・アンサンブル学習手法を提案する。 我々の知る限り、GPレファラールからのIAの早期検出を支援するためにマルチモーダルデータを利用した最初の試みである。
  論文  参考訳（メタデータ） (2023-10-30T19:30:00Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Auditing for Human Expertise [12.967730957018688]
  我々は、この問題を自然仮説テストとして適用できる統計的枠組みを開発する。 本稿では,専門家の予測が興味ある結果から統計的に独立しているかどうかを判定する簡単な手順を提案する。 我々のテストの拒絶は、人間の専門家が利用可能なデータに基づいてトレーニングされたアルゴリズムに価値を付加する可能性を示唆している。
  論文  参考訳（メタデータ） (2023-06-02T16:15:24Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。