論文の概要: Quantitative and Qualitative Evaluation of Explainable Deep Learning
Methods for Ophthalmic Diagnosis
- arxiv url: http://arxiv.org/abs/2009.12648v2
- Date: Wed, 24 Mar 2021 20:13:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 09:12:14.872431
- Title: Quantitative and Qualitative Evaluation of Explainable Deep Learning
Methods for Ophthalmic Diagnosis
- Title（参考訳）: 眼科診断のための説明可能な深層学習法の定量的・質的評価
- Authors: Amitojdeep Singh, J. Jothi Balaji, Mohammed Abdul Rasheed,
Varadharajan Jayakumar, Rajiv Raman, Vasudevan Lakshminarayanan
- Abstract要約: 方法: Inception v3として知られる一般的なディープラーニングモデルは、3つの網膜疾患を診断するために訓練された。
13種類のアトリビューション法による説明を14名の臨床医のパネルで評価し,臨床的意義について検討した。
ディープ・テイラーは3.85/5の中央値で臨床医によって最高評価を受けた。
- 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: Background: The lack of explanations for the decisions made by algorithms
such as deep learning has hampered their acceptance by the clinical community
despite highly accurate results on multiple problems. Recently, attribution
methods have emerged for explaining deep learning models, and they have been
tested on medical imaging problems. The performance of attribution methods is
compared on standard machine learning datasets and not on medical images. In
this study, we perform a comparative analysis to determine the most suitable
explainability method for retinal OCT diagnosis.
Methods: A commonly used deep learning model known as Inception v3 was
trained to diagnose 3 retinal diseases - choroidal neovascularization (CNV),
diabetic macular edema (DME), and drusen. The explanations from 13 different
attribution methods were rated by a panel of 14 clinicians for clinical
significance. Feedback was obtained from the clinicians regarding the current
and future scope of such methods.
Results: An attribution method based on a Taylor series expansion, called
Deep Taylor was rated the highest by clinicians with a median rating of 3.85/5.
It was followed by two other attribution methods, Guided backpropagation and
SHAP (SHapley Additive exPlanations).
Conclusion: Explanations of deep learning models can make them more
transparent for clinical diagnosis. This study compared different explanations
methods in the context of retinal OCT diagnosis and found that the best
performing method may not be the one considered best for other deep learning
tasks. Overall, there was a high degree of acceptance from the clinicians
surveyed in the study.
Keywords: explainable AI, deep learning, machine learning, image processing,
Optical coherence tomography, retina, Diabetic macular edema, Choroidal
Neovascularization, Drusen
- Abstract（参考訳）: 背景: 深層学習などのアルゴリズムによる決定に対する説明の欠如は, 複数の問題に対して極めて正確な結果が得られたにもかかわらず, 臨床コミュニティによる受け入れを妨げている。
近年,深層学習モデルを説明するために属性法が登場し,医用画像問題において検証されている。
属性法の性能は、医療画像ではなく、標準的な機械学習データセットで比較される。
本研究では,網膜 OCT 診断に最も適した説明可能性法について比較分析を行った。
方法: Inception v3として知られるディープラーニングモデルを用いて,脈絡膜血管新生(CNV),糖尿病性黄斑浮腫(DME),ドルーゼンの3つの網膜疾患の診断を行った。
13種類のアトリビューション法による説明を14名の臨床医のパネルで評価した。
これらの方法の現況と今後の範囲について,臨床医からフィードバックを得た。
結果: ディープ・テイラーと呼ばれるテイラー級数展開に基づく帰属法は, 平均評価3.85/5の臨床医によって最も高い評価を受けた。
その後、ガイドバックプロパゲーションとSHAP(SHapley Additive exPlanations)という2つの属性メソッドが続いた。
結論: ディープラーニングモデルの説明は臨床診断をより透明にすることができる。
本研究は網膜 OCT 診断の文脈における様々な説明法の比較を行い,他の深層学習タスクでは最善の方法ではない可能性が示唆された。
総じて,調査対象となった臨床医は高い受け入れ率を示した。
キーワード:説明可能なAI、ディープラーニング、機械学習、画像処理、光コヒーレンス断層撮影、網膜、糖尿病黄斑浮腫、脈絡膜血管新生、ドルーセン
関連論文リスト
- Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳（メタデータ） (2023-03-15T14:00:11Z) - Explainable Deep Learning Methods in Medical Image Classification: A
Survey [0.0]
最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。
これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。
ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
論文 参考訳（メタデータ） (2022-05-10T09:28:14Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T06:54:29Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - A survey on deep learning approaches for breast cancer diagnosis [0.0]
深層学習は、乳腺腫瘍を認識するための学習ベースの方法をいくつか導入している。
CAD(Computer-Aided Diagnostic)システムへの実践的な導入として自らを提唱している。
病院や公共データベースが提供する画像に基づいて訓練されたディープラーニングネットワークは、病変の分類、検出、セグメンテーションを行うことができる。
論文 参考訳（メタデータ） (2021-09-18T06:43:34Z) - Towards the Localisation of Lesions in Diabetic Retinopathy [2.3204178451683264]
本研究は,4つの最先端ディープラーニングモデルの事前学習重量を用いて,糖尿病網膜症(DR)基底画像の局所化マップを作成し,比較する。
inceptionv3は、テスト分類精度96.07%で最高の性能を達成し、病変を他のモデルよりも良く高速にローカライズする。
論文 参考訳（メタデータ） (2020-12-21T15:39:17Z) - Learning Discriminative Representations for Fine-Grained Diabetic
Retinopathy Grading [6.129288755571804]
糖尿病網膜症は視覚障害の主要な原因の1つである。
病気の重症度を判定するには、眼科医は眼底画像の識別部分に焦点を当てる必要がある。
論文 参考訳（メタデータ） (2020-11-04T04:16:55Z) - 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) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - On Interpretability of Deep Learning based Skin Lesion Classifiers using
Concept Activation Vectors [6.188009802619095]
メラノーマ, メラノーマ, セボリックケラトーシスの3種類の皮膚腫瘍の分類には, 十分に訓練された高性能ニューラルネットワークを用いている。
概念活性化ベクトル(CAV)の助けを借りて、人間の理解可能な概念をRECOD画像分類モデルにマッピングする
論文 参考訳（メタデータ） (2020-05-05T08:27:16Z)
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。