Fugu-MT 論文翻訳(概要): Diagnostic Uncertainty Calibration: Towards Reliable Machine Predictions in Medical Domain

論文の概要: Diagnostic Uncertainty Calibration: Towards Reliable Machine Predictions in Medical Domain

arxiv url: http://arxiv.org/abs/2007.01659v4
Date: Mon, 22 Mar 2021 06:23:53 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 04:34:01.201356
Title: Diagnostic Uncertainty Calibration: Towards Reliable Machine Predictions in Medical Domain
Title（参考訳）: 診断の不確かさの校正:医療領域における信頼性の高い機械予測に向けて
Authors: Takahiro Mimori, Keiko Sasada, Hirotaka Matsui, Issei Sato
Abstract要約: 本稿では,ラベルの不確実性の存在下でのクラス確率推定(CPE)の評価フレームワークを提案する。また,レータ間不一致を含む高次統計量の評価指標を定式化した。提案手法は,不確実性推定の信頼性を著しく向上させることを示す。
参考スコア（独自算出の注目度）: 20.237847764018138
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose an evaluation framework for class probability estimates (CPEs) in the presence of label uncertainty, which is commonly observed as diagnosis disagreement between experts in the medical domain. We also formalize evaluation metrics for higher-order statistics, including inter-rater disagreement, to assess predictions on label uncertainty. Moreover, we propose a novel post-hoc method called $alpha$-calibration, that equips neural network classifiers with calibrated distributions over CPEs. Using synthetic experiments and a large-scale medical imaging application, we show that our approach significantly enhances the reliability of uncertainty estimates: disagreement probabilities and posterior CPEs.
Abstract（参考訳）: 医療領域の専門家間の診断の不一致としてよく見られるラベル不確実性の存在下でのクラス確率推定(cpes)の評価枠組みを提案する。また,レータ間不一致を含む高次統計量の評価指標を定式化し,ラベルの不確かさの予測を行う。さらに,ニューラルネットワーク分類器にCPE上の校正分布を付与する,$alpha$-calibrationと呼ばれる新しいポストホック法を提案する。本研究は, 合成実験と大規模医用イメージングアプリケーションを用いて, 不確実性推定の信頼性を著しく向上させることを示す。

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)
EDUE: Expert Disagreement-Guided One-Pass Uncertainty Estimation for Medical Image Segmentation [1.757276115858037]
本稿では,医用画像分割のためのエキスパート診断誘導不確実性推定(EDUE)を提案する。複数のラッカーからの接地構文アノテーションの可変性を活用することにより、トレーニング中のモデルをガイドし、ランダムサンプリングに基づく戦略を取り入れ、校正信頼性を高める。
論文参考訳（メタデータ） (2024-03-25T10:13:52Z)
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)
Benchmarking Scalable Epistemic Uncertainty Quantification in Organ Segmentation [7.313010190714819]
モデル予測に関連する不確実性の定量化は重要な臨床応用に不可欠です自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。医用画像解析設定においてどの方法が好ましいかは不明確である。
論文参考訳（メタデータ） (2023-08-15T00:09:33Z)
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)
Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文参考訳（メタデータ） (2022-07-05T18:01:20Z)
Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文参考訳（メタデータ） (2022-02-25T12:20:04Z)
Can uncertainty boost the reliability of AI-based diagnostic methods in digital pathology? [3.8424737607413157]
デジタル病理学におけるDL予測の不確実性予測を付加すると,臨床応用の価値が増大する可能性が示唆された。モデル統合手法(MCドロップアウトとディープアンサンブル)の有効性をモデル非依存アプローチと比較した。以上の結果から,不確実性推定はある程度の信頼性を高め,分類しきい値選択に対する感度を低下させる可能性が示唆された。
論文参考訳（メタデータ） (2021-12-17T10:10:00Z)
DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文参考訳（メタデータ） (2021-02-16T23:50:35Z)
Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文参考訳（メタデータ） (2021-02-12T18:08:14Z)
Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。