論文の概要: Explainable Spatial Clustering: Leveraging Spatial Data in Radiation Oncology

• arxiv url: http://arxiv.org/abs/2008.11282v2
• Date: Tue, 20 Oct 2020 21:38:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 04:36:37.832566
• Title: Explainable Spatial Clustering: Leveraging Spatial Data in Radiation Oncology
• Title（参考訳）: 説明可能な空間クラスタリング:放射線オンコロジーにおける空間データの活用
• Authors: Andrew Wentzel, Guadalupe Canahuate, Lisanne van Dijk, Abdallah Mohamed, Clifton David Fuller, G.Elisabeta Marai
• Abstract要約: 頭頸部癌患者の複雑な解剖データをクラスタリングするための新しいアプローチを説明するための可視化設計について考察する。 これらの可視化は、放射線腫瘍学者や統計学者との複数年間のコラボレーションにおいて、臨床観衆を対象とした参加型設計を通じて開発された。
• 参考スコア（独自算出の注目度）: 3.2638612423470934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in data collection in radiation therapy have led to an abundance of opportunities for applying data mining and machine learning techniques to promote new data-driven insights. In light of these advances, supporting collaboration between machine learning experts and clinicians is important for facilitating better development and adoption of these models. Although many medical use-cases rely on spatial data, where understanding and visualizing the underlying structure of the data is important, little is known about the interpretability of spatial clustering results by clinical audiences. In this work, we reflect on the design of visualizations for explaining novel approaches to clustering complex anatomical data from head and neck cancer patients. These visualizations were developed, through participatory design, for clinical audiences during a multi-year collaboration with radiation oncologists and statisticians. We distill this collaboration into a set of lessons learned for creating visual and explainable spatial clustering for clinical users.
• Abstract（参考訳）: 放射線治療におけるデータ収集の進歩は、新しいデータ駆動洞察を促進するためにデータマイニングと機械学習技術を適用する機会を豊富に生み出した。 これらの進歩を踏まえて、機械学習の専門家と臨床医のコラボレーションを支援することは、これらのモデルの開発と導入を促進する上で重要である。 多くの医療用ケースは空間データに依存しており、データの基盤構造を理解し視覚化することが重要であるが、臨床観衆による空間クラスタリングの結果の解釈可能性についてはほとんど分かっていない。 本研究では,頭頸部癌患者の複雑な解剖データをクラスタリングするための新しいアプローチを説明するための可視化設計について考察する。 これらの可視化は、放射線腫瘍学者や統計学者との複数年間のコラボレーションにおいて、臨床観衆を対象とした参加型設計を通じて開発された。 臨床ユーザのための視覚的かつ説明可能な空間クラスタリングを構築するための一連のレッスンにこのコラボレーションを取り入れた。

関連論文リスト

• Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
  本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。 このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。 本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
  論文  参考訳（メタデータ） (2024-02-19T14:54:20Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• DASS Good: Explainable Data Mining of Spatial Cohort Data [3.1442270083085964]
  本稿では,人間と機械のハイブリッド開発と予測モデルの検証を支援するためのモデリングシステムDASSの共設計について述べる。 DASSには、人間のループ内の視覚的ステアリング、空間データ、説明可能なAIが組み込まれており、ドメイン知識を自動データマイニングで強化する。
  論文  参考訳（メタデータ） (2023-04-10T21:24:21Z)
• Toward Cohort Intelligence: A Universal Cohort Representation Learning Framework for Electronic Health Record Analysis [15.137213823470544]
  本稿では, 患者間の詳細なコホート情報を活用することで, EHR活用を促進するための共通コホート表現 lEarning (CORE) フレームワークを提案する。 COREは多様なバックボーンモデルに容易に適用でき、コホート情報を医療手法に注入してパフォーマンスを高める普遍的なプラグインフレームワークとして機能する。
  論文  参考訳（メタデータ） (2023-04-10T09:12:37Z)
• Cross-modal Memory Networks for Radiology Report Generation [30.13916304931662]
  ラジオロジーレポート生成のためのエンコーダデコーダフレームワークを強化するために,クロスモーダルメモリネットワーク(CMN)を提案する。 本モデルでは,放射線画像やテキストからの情報の整合性が向上し,臨床指標の精度向上に寄与する。
  論文  参考訳（メタデータ） (2022-04-28T02:32:53Z)
• The Health Gym: Synthetic Health-Related Datasets for the Development of Reinforcement Learning Algorithms [2.032684842401705]
  Health Gymは、機械学習アルゴリズムのプロトタイプ、評価、比較に自由にアクセス可能な、合成医療データセットのコレクションである。 このデータセットはGAN(Generative Adversarial Network)を用いて作成された。 合成データセットの公開分布に関連する機密情報開示のリスクは非常に低いと推定される。
  論文  参考訳（メタデータ） (2022-03-12T07:28:02Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Creation and Validation of a Chest X-Ray Dataset with Eye-tracking and Report Dictation for AI Development [47.1152650685625]
  我々は、人工知能の研究者を支援するために、チェストX線(CXR)画像の豊富なデータセットを開発した。 データはアイトラッキングシステムを用いて収集され、放射線学者は1,083 CXR画像でレビューし報告した。
  論文  参考訳（メタデータ） (2020-09-15T23:12:49Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。