論文の概要: Differences between human and machine perception in medical diagnosis

• arxiv url: http://arxiv.org/abs/2011.14036v1
• Date: Sat, 28 Nov 2020 00:32:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 19:19:54.428353
• Title: Differences between human and machine perception in medical diagnosis
• Title（参考訳）: 診断における人間と機械の知覚の相違
• Authors: Taro Makino, Stanislaw Jastrzebski, Witold Oleszkiewicz, Celin Chacko, Robin Ehrenpreis, Naziya Samreen, Chloe Chhor, Eric Kim, Jiyon Lee, Kristine Pysarenko, Beatriu Reig, Hildegard Toth, Divya Awal, Linda Du, Alice Kim, James Park, Daniel K. Sodickson, Laura Heacock, Linda Moy, Kyunghyun Cho, Krzysztof J. Geras
• Abstract要約: 医療診断における人間と機械の知覚を比較するための枠組みを提案する。 両者は、臨床的に意味のある情報の除去に対する感受性について比較される。 乳癌検診のケーススタディにより,我々の枠組みを実証した。
• 参考スコア（独自算出の注目度）: 38.636626590694256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) show promise in image-based medical diagnosis, but cannot be fully trusted since their performance can be severely degraded by dataset shifts to which human perception remains invariant. If we can better understand the differences between human and machine perception, we can potentially characterize and mitigate this effect. We therefore propose a framework for comparing human and machine perception in medical diagnosis. The two are compared with respect to their sensitivity to the removal of clinically meaningful information, and to the regions of an image deemed most suspicious. Drawing inspiration from the natural image domain, we frame both comparisons in terms of perturbation robustness. The novelty of our framework is that separate analyses are performed for subgroups with clinically meaningful differences. We argue that this is necessary in order to avert Simpson's paradox and draw correct conclusions. We demonstrate our framework with a case study in breast cancer screening, and reveal significant differences between radiologists and DNNs. We compare the two with respect to their robustness to Gaussian low-pass filtering, performing a subgroup analysis on microcalcifications and soft tissue lesions. For microcalcifications, DNNs use a separate set of high frequency components than radiologists, some of which lie outside the image regions considered most suspicious by radiologists. These features run the risk of being spurious, but if not, could represent potential new biomarkers. For soft tissue lesions, the divergence between radiologists and DNNs is even starker, with DNNs relying heavily on spurious high frequency components ignored by radiologists. Importantly, this deviation in soft tissue lesions was only observable through subgroup analysis, which highlights the importance of incorporating medical domain knowledge into our comparison framework.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は画像ベースの診断において有望であるが、人間の知覚が不変であるデータセットシフトによってそのパフォーマンスが著しく劣化する可能性があるため、完全に信頼できない。 人間と機械の知覚の違いをよりよく理解できれば、この効果を特徴づけ、緩和することができる。 そこで我々は,診断における人間と機械の知覚を比較する枠組みを提案する。 2つの画像は、臨床的に意味のある情報の除去に対する感度と、最も疑わしい画像の領域に対して比較される。 自然画像領域からインスピレーションを得て、両比較を摂動堅牢性の観点からフレーム化する。 臨床的に有意な差のあるサブグループに対して, 別々に分析を行うという枠組みは新奇である。 我々は、シンプソンのパラドックスを回避し、正しい結論を引き出すためには、これが必要であると論じる。 乳癌検診では,放射線科医とDNNの有意差が認められた。 この2つをガウス低域濾過法と比較し,微小石灰化と軟部組織病変のサブグループ分析を行った。 微小石灰化のために、dnnは放射線科医とは別の周波数成分を使い、そのうちのいくつかは放射線科医が最も疑わしいと思われる画像領域の外側にある。 これらの特徴は刺激的なリスクを負うが、そうでなければ、潜在的な新しいバイオマーカーを示す可能性がある。 軟部組織病変では、放射線科医とDNNのばらつきは、放射線科医が無視する急激な高周波成分に大きく依存している。 この軟部組織病変の偏りはサブグループ解析によってのみ観察可能であり,本フレームワークに医療領域知識を取り入れることの重要性を強調した。

関連論文リスト

• On the notion of Hallucinations from the lens of Bias and Validity in Synthetic CXR Images [0.35998666903987897]
  拡散モデルのような生成モデルは、データ品質と臨床情報の格差を軽減することを目的としている。 スタンフォード大学の研究者たちは、医療画像データ拡張のための微調整された安定拡散モデル(RoentGen)の有用性を探求した。 我々はRoentGenを利用してChest-XRay(CXR)画像を生成し、バイアス、妥当性、幻覚の評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T04:41:20Z)
• Local Contrastive Learning for Medical Image Recognition [0.0]
  Local Region Contrastive Learning(LRCLR)は、画像領域の選択と相互モダリティの相互作用のためのレイヤを追加するフレキシブルな微調整フレームワークである。 胸部X線検査の結果から,LRCLRは重要な局所画像領域を同定し,放射線学的テキストに対して有意義な解釈を提供する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-03-24T17:04:26Z)
• Structure Regularized Attentive Network for Automatic Femoral Head Necrosis Diagnosis and Localization [12.95252724282746]
  本稿では,パッチアテンションに基づく分類中の壊死領域を強調するために,構造正規化ネットワーク注意(SRANet)を提案する。 SRANetは画像のチャンク内の特徴を抽出し、特徴を集約するアテンション機構を介して重みを求め、それらを構造正規化器によって制約し、一般化を改善する。 SRANet は AVNFH 分類において CNN よりも優れており, 病変の局所化や診断支援のための情報の提供も可能である。
  論文  参考訳（メタデータ） (2022-08-23T02:31:38Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Multiple Sclerosis Lesions Identification/Segmentation in Magnetic Resonance Imaging using Ensemble CNN and Uncertainty Classification [7.260554897161948]
  3つの重要な概念に基づくMS病変の同定・分類のための自動フレームワークを提案する。 提案されたフレームワークは、2016年のMSSEGベンチマーク公開データセットでトレーニング、検証、テストされている。 結果も不確実性を示すが、他のレーダとの比較は不可能である。
  論文  参考訳（メタデータ） (2021-08-26T13:48:06Z)
• Quantifying and Leveraging Predictive Uncertainty for Medical Image Assessment [13.330243305948278]
  本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。 我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。 本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2020-07-08T16:47:55Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)
• Understanding the robustness of deep neural network classifiers for breast cancer screening [52.50078591615855]
  ディープニューラルネットワーク(DNN)は乳がん検診において有望であるが、その入力摂動に対する堅牢性は臨床的に実装される前によりよく理解する必要がある。 放射線技師レベルのマンモグラム画像分類器の4種類の入力摂動に対する感度を測定した。 また,低域通過フィルタの効果について詳細な解析を行い,臨床的に有意な特徴の視認性を低下させることを示した。
  論文  参考訳（メタデータ） (2020-03-23T01:26:36Z)

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。