論文の概要: Objective Evaluation of Deep Uncertainty Predictions for COVID-19 Detection

• arxiv url: http://arxiv.org/abs/2012.11840v1
• Date: Tue, 22 Dec 2020 05:43:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:37:43.741446
• Title: Objective Evaluation of Deep Uncertainty Predictions for COVID-19 Detection
• Title（参考訳）: COVID-19検出における深部不確実性予測の客観的評価
• Authors: Hamzeh Asgharnezhad, Afshar Shamsi, Roohallah Alizadehsani, Abbas Khosravi, Saeid Nahavandi, Zahra Alizadeh Sani, and Dipti Srinivasan
• Abstract要約: ディープニューラルネットワーク(DNN)は、医療画像におけるCOVID-19の検出に広く適用されています。 胸部X線(CXR)画像を用いた3つの不確実性定量化手法の適用と評価を行った。
• 参考スコア（独自算出の注目度）: 15.036447340859546
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) have been widely applied for detecting COVID-19 in medical images. Existing studies mainly apply transfer learning and other data representation strategies to generate accurate point estimates. The generalization power of these networks is always questionable due to being developed using small datasets and failing to report their predictive confidence. Quantifying uncertainties associated with DNN predictions is a prerequisite for their trusted deployment in medical settings. Here we apply and evaluate three uncertainty quantification techniques for COVID-19 detection using chest X-Ray (CXR) images. The novel concept of uncertainty confusion matrix is proposed and new performance metrics for the objective evaluation of uncertainty estimates are introduced. Through comprehensive experiments, it is shown that networks pertained on CXR images outperform networks pretrained on natural image datasets such as ImageNet. Qualitatively and quantitatively evaluations also reveal that the predictive uncertainty estimates are statistically higher for erroneous predictions than correct predictions. Accordingly, uncertainty quantification methods are capable of flagging risky predictions with high uncertainty estimates. We also observe that ensemble methods more reliably capture uncertainties during the inference.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、医療画像中の新型コロナウイルスの検出に広く応用されている。 既存の研究は主に、正確な点推定を生成するために転送学習やその他のデータ表現戦略を適用している。 これらのネットワークの一般化能力は、小さなデータセットを使用して開発され、予測信頼性を報告できないため、常に疑わしい。 DNN予測に関連する不確実性の定量化は、医療環境における信頼された展開の前提条件である。 胸部X線(CXR)画像を用いた3つの不確実性定量化手法の適用と評価を行った。 新たな不確実性乱雑行列の概念を提案し,不確実性推定の客観的評価のための新しい性能指標を提案する。 総合的な実験により,cxr画像に関連するネットワークが,imagenetなどの自然画像データセットで事前学習されたネットワークよりも優れていることを示した。 定性的かつ定量的な評価は、予測の不確実性推定が正しい予測よりも誤った予測に対して統計的に高いことを明らかにする。 したがって、不確実性定量化手法は、リスク予測を高い不確実性推定でフラグ付けすることができる。 また,アンサンブル法が推論中に不確実性をより確実に捉えることも観察した。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Adaptive Uncertainty Estimation via High-Dimensional Testing on Latent Representations [28.875819909902244]
  不確実性推定は、訓練されたディープニューラルネットワークの信頼性を評価することを目的としている。 既存の不確実性推定アプローチは、低次元分布仮定に依存している。 本研究では,不確実性推定のためのデータ適応型高次元仮説テストを用いた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-25T12:22:18Z)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Confidence Aware Neural Networks for Skin Cancer Detection [12.300911283520719]
  画像からの皮膚癌検出における不確かさを定量化する3つの方法を提案する。 その結果, 予測不確実性推定手法は, リスクや誤予測を予測できることがわかった。 また、アンサンブルアプローチは推論によって不確実性を捉える上でより信頼性が高いことを示す。
  論文  参考訳（メタデータ） (2021-07-19T19:21:57Z)
• Interpreting Uncertainty in Model Predictions For COVID-19 Diagnosis [0.0]
  新型コロナウイルス(COVID-19)は、一般的なラボスワブ検査に加えて、診断の迅速化に補助ツールを使用する必要性が高まっている。 従来の畳み込みネットワークは、不確実性の捕捉に欠ける予測に点推定を用いる。 ベイジアン畳み込みニューラルネットワークを用いて計算された予測の不確実性を考慮した,不確実性とそのコンポーネントの解釈可能性に対処する可視化フレームワークを開発した。
  論文  参考訳（メタデータ） (2020-10-26T01:27:29Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)
• Validating uncertainty in medical image translation [7.565565370757736]
  我々は,CT-to-MR画像翻訳タスクにおける不確実性を推定するためにドロップアウトを用いて検討する。 いずれのタイプの不確実性も、定義した通りに捕捉され、出力の不確実性推定の信頼性が得られることを示す。
  論文  参考訳（メタデータ） (2020-02-11T19:06:54Z)

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。