論文の概要: MCU-Net: A framework towards uncertainty representations for decision support system patient referrals in healthcare contexts

• arxiv url: http://arxiv.org/abs/2007.03995v3
• Date: Tue, 25 Aug 2020 11:12:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 09:43:08.952768
• Title: MCU-Net: A framework towards uncertainty representations for decision support system patient referrals in healthcare contexts
• Title（参考訳）: mcu-net: 医療場面における意思決定支援システムにおける不確実性表現の枠組み
• Authors: Nabeel Seedat
• Abstract要約: MCU-Netを用いた医用画像セグメンテーションのための不確実性表現の枠組みを提案する。 このフレームワークは、不確実なケースの自動紹介のための不確実なしきい値に基づいた、ループ内のヒューマンアスペクトを追加することで、これを強化する。
• 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: Incorporating a human-in-the-loop system when deploying automated decision support is critical in healthcare contexts to create trust, as well as provide reliable performance on a patient-to-patient basis. Deep learning methods while having high performance, do not allow for this patient-centered approach due to the lack of uncertainty representation. Thus, we present a framework of uncertainty representation evaluated for medical image segmentation, using MCU-Net which combines a U-Net with Monte Carlo Dropout, evaluated with four different uncertainty metrics. The framework augments this by adding a human-in-the-loop aspect based on an uncertainty threshold for automated referral of uncertain cases to a medical professional. We demonstrate that MCU-Net combined with epistemic uncertainty and an uncertainty threshold tuned for this application maximizes automated performance on an individual patient level, yet refers truly uncertain cases. This is a step towards uncertainty representations when deploying machine learning based decision support in healthcare settings.
• Abstract（参考訳）: 自律的な意思決定支援を展開する際には、人為的なシステムを導入することが、信頼を生み出すための医療コンテキストにおいて重要であり、患者から患者への信頼性の高いパフォーマンスを提供する。 ディープラーニング手法は高い性能を保ちながら、不確実性表現の欠如により、この患者中心のアプローチを許さない。 そこで本研究では,U-Netとモンテカルロ・ドロップアウトを組み合わせたMCU-Netを用いて,医用画像セグメンテーションのための不確実性表現の枠組みを4つの異なる不確実性指標で評価する。 このフレームワークは、不確実症例の自動参照のための不確実性しきい値に基づいたヒューマン・イン・ザ・ループのアスペクトを医療専門家に追加することで、これを強化する。 我々は, MCU-Netとてんかん不確実性, 不確実性しきい値が組み合わさって個々の患者レベルでの自動成績を最大化することを示した。 これは、ヘルスケア設定で機械学習ベースの意思決定サポートを展開する際の不確実性表現へのステップである。

関連論文リスト

• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Which Client is Reliable?: A Reliable and Personalized Prompt-based Federated Learning for Medical Image Question Answering [51.26412822853409]
  本稿では,医学的視覚的質問応答(VQA)モデルのための,パーソナライズド・フェデレーションド・ラーニング(pFL)手法を提案する。 提案手法では,学習可能なプロンプトをTransformerアーキテクチャに導入し,膨大な計算コストを伴わずに,多様な医療データセット上で効率的にトレーニングする。
  論文  参考訳（メタデータ） (2024-10-23T00:31:17Z)
• Enhanced Uncertainty Estimation in Ultrasound Image Segmentation with MSU-Net [13.489622701621698]
  MSU-Netは,U-Netのアンサンブルをトレーニングし,正確な超音波画像分割マップを生成するための,新しい多段階アプローチである。 1つのモンテカルロU-Netに対して18.1%の大幅な改善、不確実性評価の強化、モデルの透明性、信頼性を実証する。
  論文  参考訳（メタデータ） (2024-07-31T01:36:47Z)
• Operationalizing Counterfactual Metrics: Incentives, Ranking, and Information Asymmetry [62.53919624802853]
  このような平均的な治療結果の指標から生じるインセンティブのずれを分析した。 本稿では,患者が対象とするランキングシステムにおいて,対物メトリクスを合理的に振る舞うように修正する方法を示す。
  論文  参考訳（メタデータ） (2023-05-24T00:24:38Z)
• Beyond Voxel Prediction Uncertainty: Identifying brain lesions you can trust [1.1199585259018459]
  ディープニューラルネットワークは、3D医療画像の自動セグメンテーションにおけるゴールドスタンダードのアプローチとなっている。 本研究では,革新的なグラフニューラルネットワークアプローチを用いて,ボクセルによる評価を超えることを提案する。 このネットワークは、エントロピー、分散、モデルの信頼という、ボクセルの不確実性の3つの推定器の融合を可能にする。
  論文  参考訳（メタデータ） (2022-09-22T09:20:05Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Distribution-Free Federated Learning with Conformal Predictions [0.0]
  フェデレートラーニングは、患者のプライバシーを維持しながら、別々の機関のデータセットを活用することを目的としている。 キャリブレーションの低さと解釈可能性の欠如は、フェデレートされたモデルの臨床実践への広範な展開を妨げる可能性がある。 本稿では,適応型コンフォメーション・フレームワークを連携学習に組み込むことにより,これらの課題に対処することを提案する。
  論文  参考訳（メタデータ） (2021-10-14T18:41:17Z)
• 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)
• Integrating uncertainty in deep neural networks for MRI based stroke analysis [0.0]
  2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。 CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
  論文  参考訳（メタデータ） (2020-08-13T09:50:17Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)

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。