論文の概要: Limitations of ROC on Imbalanced Data: Evaluation of LVAD Mortality Risk
Scores
- arxiv url: http://arxiv.org/abs/2010.16253v1
- Date: Thu, 29 Oct 2020 11:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 23:55:52.063663
- Title: Limitations of ROC on Imbalanced Data: Evaluation of LVAD Mortality Risk
Scores
- Title(参考訳): 不均衡データにおけるROCの限界:LVAD死亡リスクスコアの評価
- Authors: Faezeh Movahedi, Rema Padman, James F. Antaki
- Abstract要約: 受信動作特性 (ROC) は分類器の性能の一般的な指標である。
ROCは、生き残る患者の圧倒的に多いため、短期的な死亡を予測できる分類器の歪んだビューを提供することができる。
本研究は,90日間のLVAD死亡に対する2つの分類器の成績について,ROCとPRCを比較した。
- 参考スコア(独自算出の注目度): 2.578242050187029
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: This study illustrates the ambiguity of ROC in evaluating two
classifiers of 90-day LVAD mortality. This paper also introduces the precision
recall curve (PRC) as a supplemental metric that is more representative of LVAD
classifiers performance in predicting the minority class.
Background: In the LVAD domain, the receiver operating characteristic (ROC)
is a commonly applied metric of performance of classifiers. However, ROC can
provide a distorted view of classifiers ability to predict short-term mortality
due to the overwhelmingly greater proportion of patients who survive, i.e.
imbalanced data.
Methods: This study compared the ROC and PRC for the outcome of two
classifiers for 90-day LVAD mortality for 800 patients (test group) recorded in
INTERMACS who received a continuous-flow LVAD between 2006 and 2016 (mean age
of 59 years; 146 females vs. 654 males) in which mortality rate is only %8 at
90-day (imbalanced data). The two classifiers were HeartMate Risk Score (HMRS)
and a Random Forest (RF).
Results: The ROC indicates fairly good performance of RF and HRMS classifiers
with Area Under Curves (AUC) of 0.77 vs. 0.63, respectively. This is in
contrast with their PRC with AUC of 0.43 vs. 0.16 for RF and HRMS,
respectively. The PRC for HRMS showed the precision rapidly dropped to only 10%
with slightly increasing sensitivity.
Conclusion: The ROC can portray an overly-optimistic performance of a
classifier or risk score when applied to imbalanced data. The PRC provides
better insight about the performance of a classifier by focusing on the
minority class.
- Abstract(参考訳): 目的: 本研究は, lvad死亡率90日間の2つの分類器の評価におけるrocの曖昧性を示す。
本稿では, lvad分類器のマイノリティクラス予測性能をより代表する補足指標として, 精密リコール曲線 (prc) についても紹介する。
背景: LVAD領域では、受信器動作特性(ROC)は分類器の性能の一般的な指標である。
しかし、ROCは、生存する患者の圧倒的多数、すなわち不均衡なデータのために、短期的な死亡を予測できる分類器の歪んだビューを提供することができる。
方法: 2006年~2016年(59歳, 女性146名, 男性654名)に連続流LVADを施行したInterMACSで記録した90日LVAD死亡率800例について, ROCとPRCを比較し, 死亡率を90日でわずか8パーセント(不均衡データ)とした。
2つの分類法はHeartMate Risk Score(HMRS)とRandom Forest(RF)である。
結果: ROCはRFとHRMSをそれぞれ0.77対0.63のエリアアンダーカーブ(AUC)でかなり良好な性能を示した。
これは、RF と HRMS のそれぞれ 0.43 対 0.16 の PRC に対して、それぞれ 0.43 対 0.16 である。
HRMSのPRCでは, 感度がわずかに上昇し, 精度は10%に低下した。
結論:ROCは、不均衡データに適用した場合、分類器やリスクスコアの過度に最適化された性能を表現できる。
PRCは、マイノリティクラスに焦点を当てた分類器のパフォーマンスに関するより良い洞察を提供する。
関連論文リスト
- Deep Learning Models to Automate the Scoring of Hand Radiographs for Rheumatoid Arthritis [0.0]
シャープスコア(シャープスコア、英: Sharp score、SvdH)は、慢性関節リウマチ(RA)の臨床治験における損傷の定量化に広く用いられている放射線検査法である。
まず,手指のX線写真からSvdHのスコアとRAの重症度を推定できる自動パイプラインを開発した。
論文 参考訳(メタデータ) (2024-06-14T12:43:16Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳(メタデータ) (2024-03-27T16:56:14Z) - Quantifying Impairment and Disease Severity Using AI Models Trained on
Healthy Subjects [27.786240241494436]
Confidence-based chaRacterization of Anomalies (COBRA) スコアは、障害または疾患のある患者に提示された場合、これらのモデルの信頼性の低下を利用する。
脳卒中患者の上半身障害の現在の臨床的評価の鍵となる限界にCOBRAスコアを適用した。
論文 参考訳(メタデータ) (2023-11-21T18:45:52Z) - A Robust Deep Learning Method with Uncertainty Estimation for the
Pathological Classification of Renal Cell Carcinoma based on CT Images [10.860934781772098]
開発した深層学習モデルは,RCCの病的サブタイプを予測する上で,頑健な性能を示した。
統合された不確実性は,臨床的意思決定を支援する上で重要なモデル信頼の重要性を強調した。
論文 参考訳(メタデータ) (2023-11-01T15:07:39Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳(メタデータ) (2023-02-16T17:06:23Z) - RoS-KD: A Robust Stochastic Knowledge Distillation Approach for Noisy
Medical Imaging [67.02500668641831]
ノイズの多いデータセットでトレーニングされたディープラーニングモデルは、ノイズタイプに敏感であり、目に見えないサンプルの一般化が少なくなる。
本稿では,複数の情報源からトピックを学習する概念を模倣したロバスト知識蒸留(RoS-KD)フレームワークを提案する。
RoS-KDは、訓練データの重複する部分集合について訓練された複数の教師から知識を蒸留することにより、滑らかで、よく表現された、堅牢な学生多様体を学習する。
論文 参考訳(メタデータ) (2022-10-15T22:32:20Z) - BIO-CXRNET: A Robust Multimodal Stacking Machine Learning Technique for
Mortality Risk Prediction of COVID-19 Patients using Chest X-Ray Images and
Clinical Data [0.0]
本研究は、イタリアで入院した930人の新型コロナウイルス患者のリスクを予測するために、25のバイオマーカーとCXR画像を用いている。
提案手法は精度、感度、F1スコアをそれぞれ89.03%、90.44%、89.03%とした。
ノモグラムに基づく採点法では、F1スコア92.88 %の高リスク患者の死亡確率を予測することができた。
論文 参考訳(メタデータ) (2022-06-15T15:23:43Z) - Performance of multilabel machine learning models and risk
stratification schemas for predicting stroke and bleeding risk in patients
with non-valvular atrial fibrillation [22.45448597986172]
マルチラベル勾配押し上げ機は、脳卒中、大出血、死亡に最適な識別力を与えた。
モデルでは、それぞれの結果に対して追加のリスク特徴(ヘモグロビンレベル、腎機能など)を同定した。
論文 参考訳(メタデータ) (2022-02-02T15:15:03Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳(メタデータ) (2020-04-02T21:49:14Z)
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。