論文の概要: ViDi: Descriptive Visual Data Clustering as Radiologist Assistant in
COVID-19 Streamline Diagnostic
- arxiv url: http://arxiv.org/abs/2011.14871v1
- Date: Mon, 30 Nov 2020 15:06:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 14:53:55.984894
- Title: ViDi: Descriptive Visual Data Clustering as Radiologist Assistant in
COVID-19 Streamline Diagnostic
- Title（参考訳）: vidi:covid-19診断における放射線科助手としてのビジュアルデータの記述的クラスタリング
- Authors: Sahithya Ravi, Samaneh Khoshrou, Mykola Pechenizkiy
- Abstract要約: 新型コロナウイルスの感染拡大を受け、胸部X線から新型コロナウイルスを検出する深層学習法が広く研究されている。
本稿では,人間と機械の相互作用と専門家による意思決定を促進する枠組みを提案する。
- 参考スコア（独自算出の注目度）: 3.6933317368929193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the light of the COVID-19 pandemic, deep learning methods have been widely
investigated in detecting COVID-19 from chest X-rays. However, a more pragmatic
approach to applying AI methods to a medical diagnosis is designing a framework
that facilitates human-machine interaction and expert decision making. Studies
have shown that categorization can play an essential rule in accelerating
real-world decision making. Inspired by descriptive document clustering, we
propose a domain-independent explanatory clustering framework to group
contextually related instances and support radiologists' decision making. While
most descriptive clustering approaches employ domain-specific characteristics
to form meaningful clusters, we focus on model-level explanation as a more
general-purpose element of every learning process to achieve cluster
homogeneity. We employ DeepSHAP to generate homogeneous clusters in terms of
disease severity and describe the clusters using favorable and unfavorable
saliency maps, which visualize the class discriminating regions of an image.
These human-interpretable maps complement radiologist knowledge to investigate
the whole cluster at once. Besides, as part of this study, we evaluate a model
based on VGG-19, which can identify COVID and pneumonia cases with a positive
predictive value of 95% and 97%, respectively, comparable to the recent
explainable approaches for COVID diagnosis.
- Abstract（参考訳）: 新型コロナウイルスの感染拡大を受け、胸部X線からの深層学習が広く研究されている。
しかし、医療診断にAIメソッドを適用するためのより実践的なアプローチは、人間と機械の相互作用と専門家による意思決定を促進するフレームワークを設計することである。
研究は、分類が現実世界の意思決定を加速する上で不可欠な規則であることを示した。
記述型文書クラスタリングに触発されて,文脈関連インスタンスをグループ化し,放射線科医の意思決定を支援する,ドメインに依存しない説明型クラスタリングフレームワークを提案する。
多くの記述的クラスタリング手法は意味のあるクラスタを形成するためにドメイン固有の特徴を用いるが、モデルレベルの説明はクラスタの均一性を達成するための学習プロセスのより汎用的な要素である。
我々はDeepSHAPを用いて、病気の重症度の観点から同種クラスタを生成し、画像の分類領域を可視化する好ましくないサリエンシマップを用いてクラスタを記述する。
これらの人間解釈マップは、放射線学者の知識を補完し、クラスタ全体を一度に調査する。
また,本研究の一環としてVGG-19をベースとしたモデルの評価を行い,新型コロナウイルスの診断に対する最近の説明可能なアプローチに匹敵する正の予測値が95%および97%の症例を同定した。
関連論文リスト
- Federated unsupervised random forest for privacy-preserving patient
stratification [0.4499833362998487]
教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。
我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。
本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
論文 参考訳（メタデータ） (2024-01-29T12:04:14Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳（メタデータ） (2023-11-28T09:14:55Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Learning disentangled representations for explainable chest X-ray
classification using Dirichlet VAEs [68.73427163074015]
本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。
DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
論文 参考訳（メタデータ） (2023-02-06T18:10:08Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Hierarchical Analysis of Visual COVID-19 Features from Chest Radiographs [5.832030105874915]
我々は, 放射線学的決定プロセスと整合した, 人間の解釈可能なクラス階層を用いて, 放射線学的特徴をモデル化する。
実験により、モデル故障は、ICU撮像条件と非常に相関し、特定の種類の放射線学的特徴を識別することが本質的に困難であることが示されている。
論文 参考訳（メタデータ） (2021-07-14T11:37:28Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Cluster Activation Mapping with Applications to Medical Imaging [4.98888193036705]
Cluster Activation Mapping (CLAM) を生成する手法を開発した。
サルコイドーシス集団の3次元CTに応用し, 純粋なCTスキャンによる新しいサルコイドーシスのクラスターを同定した。
論文 参考訳（メタデータ） (2020-10-09T20:37:09Z) - Sickle-cell disease diagnosis support selecting the most appropriate
machinelearning method: Towards a general and interpretable approach for
cellmorphology analysis from microscopy images [0.0]
本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。
当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
論文 参考訳（メタデータ） (2020-10-09T11:46:38Z) - Exploration of Interpretability Techniques for Deep COVID-19
Classification using Chest X-ray Images [10.01138352319106]
5種類のディープラーニングモデル(ResNet18、ResNet34、InceptionV3、InceptionResNetV2、DenseNet161)とそれらのEnsembleは、Chest X-Ray画像を用いて、新型コロナウイルス、肺炎、健康な被験者を分類するために使用されている。
新型コロナウイルスの分類における平均的なMicro-F1スコアは0.66から0.875の範囲で、ネットワークモデルのアンサンブルは0.89である。
論文 参考訳（メタデータ） (2020-06-03T22:55:53Z) - Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent
Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。
多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。
本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文 参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。