論文の概要: Computing Conceptual Distances between Breast Cancer Screening Guidelines: An Implementation of a Near-Peer Epistemic Model of Medical Disagreement

• arxiv url: http://arxiv.org/abs/2007.00709v2
• Date: Tue, 21 Jul 2020 02:01:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 23:30:20.628866
• Title: Computing Conceptual Distances between Breast Cancer Screening Guidelines: An Implementation of a Near-Peer Epistemic Model of Medical Disagreement
• Title（参考訳）: 乳がん検診ガイドライン間の概念的距離の計算:医学的不一致のほぼピア認識モデルの実装
• Authors: Hossein Hematialam, Luciana Garbayo, Seethalakshmi Gopalakrishnan, Wlodek Zadrozny
• Abstract要約: 自然言語処理ツールを用いて,同じ意思決定問題に対する医療ガイドラインにおける勧告の相違について検討する。 これらの違いは、異なる医療社会によってもたらされた知識から生じるものであることを示す。 我々の最良のモデルはおよそ70%の類似性を達成する。
• 参考スコア（独自算出の注目度）: 1.7587442088965222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Using natural language processing tools, we investigate the differences of recommendations in medical guidelines for the same decision problem -- breast cancer screening. We show that these differences arise from knowledge brought to the problem by different medical societies, as reflected in the conceptual vocabularies used by the different groups of authors.The computational models we build and analyze agree with the near-peer epistemic model of expert disagreement proposed by Garbayo. Even though the article is a case study focused on one set of guidelines, the proposed methodology is broadly applicable. In addition to proposing a novel graph-based similarity model for comparing collections of documents, we perform an extensive analysis of the model performance. In a series of a few dozen experiments, in three broad categories, we show, at a very high statistical significance level of 3-4 standard deviations for our best models, that the high similarity between expert annotated model and our concept based, automatically created, computational models is not accidental. Our best model achieves roughly 70% similarity. We also describe possible extensions of this work.
• Abstract（参考訳）: 自然言語処理ツールを用いて,同じ決定問題に対する医療ガイドラインにおける推奨事項の違い,すなわち乳癌検診について検討した。 これらの違いは,著者の異なるグループによる概念ボキャブラリーに反映されるように,異なる医療社会がもたらした知識が生み出したものであり,我々が構築し分析する計算モデルは,ガルバヨが提唱した専門家の不一致のほぼピア認識モデルと一致している。 本論文は,一組のガイドラインに焦点をあてた事例研究であるが,提案手法は広く適用可能である。 文書の集合を比較するための新しいグラフベースの類似性モデルの提案に加えて、モデルの性能を広範囲に解析する。 数ダースの一連の実験で、3つの幅広いカテゴリにおいて、最高のモデルに対する統計的に重要なレベルである3～4の標準偏差において、専門家の注釈付きモデルと我々の概念に基づく自動生成計算モデルとの高い類似性は偶然ではないことを示した。 我々の最良のモデルはおよそ70%の類似性を達成する。 この研究の拡張についても述べる。

関連論文リスト

• 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)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• Exploration of the Rashomon Set Assists Trustworthy Explanations for Medical Data [4.499833362998488]
  本稿では,Rashomon集合におけるモデル探索の新たなプロセスを紹介し,従来のモデリング手法を拡張した。 動作の異なるモデルを検出するために,$textttRashomon_DETECT$アルゴリズムを提案する。 モデル間の変動効果の差を定量化するために,機能的データ解析に基づくプロファイル分散指数(PDI)を導入する。
  論文  参考訳（メタデータ） (2023-08-22T13:53:43Z)
• Annotator Consensus Prediction for Medical Image Segmentation with Diffusion Models [70.3497683558609]
  医療画像のセグメンテーションにおける大きな課題は、複数の専門家が提供したアノテーションにおける、サーバ間の大きなばらつきである。 拡散モデルを用いたマルチエキスパート予測のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T10:01:05Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
  本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。 我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。 我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
  論文  参考訳（メタデータ） (2022-12-30T07:37:40Z)
• Agent-Based modeling in Medical Research. Example in Health Economics [0.0]
  本章では,仮想患者生成技術と実行モデルの例を紹介する。 HIV治療に伴うコストに対する一般治療の浸透率の影響に関する医療・経済学的研究への応用について述べる。
  論文  参考訳（メタデータ） (2022-05-18T13:31:45Z)
• Ensemble Method for Estimating Individualized Treatment Effects [15.775032675243995]
  本稿では,多様なモデルライブラリから推定値を集約するアルゴリズムを提案する。 43のベンチマークデータセット上でのアンサンブルとモデル選択を比較して、ほぼ毎回、アンサンブルが勝つことを確認します。
  論文  参考訳（メタデータ） (2022-02-25T00:44:37Z)
• Variational Topic Inference for Chest X-Ray Report Generation [102.04931207504173]
  医療画像のレポート生成は、作業負荷を減らし、臨床実習における診断を支援することを約束する。 近年の研究では、ディープラーニングモデルが自然画像のキャプションに成功していることが示された。 本稿では,自動レポート生成のための変分トピック推論を提案する。
  論文  参考訳（メタデータ） (2021-07-15T13:34:38Z)
• A Twin Neural Model for Uplift [59.38563723706796]
  Upliftは条件付き治療効果モデリングの特定のケースです。 相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。 本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
  論文  参考訳（メタデータ） (2021-05-11T16:02:39Z)

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。