論文の概要: Uncertainty aware and explainable diagnosis of retinal disease
- arxiv url: http://arxiv.org/abs/2101.12041v1
- Date: Tue, 26 Jan 2021 23:37:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 00:00:45.489050
- Title: Uncertainty aware and explainable diagnosis of retinal disease
- Title(参考訳): 網膜疾患の不確かさと説明可能な診断
- Authors: Amitojdeep Singh, Sourya Sengupta, Mohammed Abdul Rasheed,
Varadharajan Jayakumar, and Vasudevan Lakshminarayanan
- Abstract要約: 4つの網膜疾患の診断のための深層学習モデルの不確実性解析を行う。
不確実性が認識されている間にシステムが予測に使用する特徴は、システムが決定について確信が持たないときにハイライトする能力である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning methods for ophthalmic diagnosis have shown considerable
success in tasks like segmentation and classification. However, their
widespread application is limited due to the models being opaque and vulnerable
to making a wrong decision in complicated cases. Explainability methods show
the features that a system used to make prediction while uncertainty awareness
is the ability of a system to highlight when it is not sure about the decision.
This is one of the first studies using uncertainty and explanations for
informed clinical decision making. We perform uncertainty analysis of a deep
learning model for diagnosis of four retinal diseases - age-related macular
degeneration (AMD), central serous retinopathy (CSR), diabetic retinopathy
(DR), and macular hole (MH) using images from a publicly available (OCTID)
dataset. Monte Carlo (MC) dropout is used at the test time to generate a
distribution of parameters and the predictions approximate the predictive
posterior of a Bayesian model. A threshold is computed using the distribution
and uncertain cases can be referred to the ophthalmologist thus avoiding an
erroneous diagnosis. The features learned by the model are visualized using a
proven attribution method from a previous study. The effects of uncertainty on
model performance and the relationship between uncertainty and explainability
are discussed in terms of clinical significance. The uncertainty information
along with the heatmaps make the system more trustworthy for use in clinical
settings.
- Abstract(参考訳): 眼科診断のための深層学習法は、セグメント化や分類などのタスクでかなりの成功を収めています。
しかし、モデルが不透明で、複雑なケースで間違った決定を下すのに弱いため、その適用範囲は限られている。
説明可能性の方法は、不確実性を認識しながら、システムが予測を行うのに使用した特徴を示し、システムが決定について確信が持てないときに強調する能力である。
これは、情報に基づいた臨床意思決定のための不確実性および説明を使用する最初の研究の1つです。
高齢者関連黄斑変性症 (AMD) , 中枢性髄質網膜症 (CSR) , 糖尿病性網膜症 (DR) , 黄斑孔 (MH) の4つの網膜疾患の診断のための深層学習モデルの不確実性解析を行った。
モンテカルロ(MC)のドロップアウトは、試験時にパラメータの分布を生成するために使用され、予測はベイズモデルの予測後部を近似する。
しきい値は分布を使用して計算され、不確実な症例は眼科医に参照することができ、誤診断を避ける。
モデルによって得られた特徴は、以前の研究から実証済みのアトリビューション方法を使用して視覚化される。
不確実性がモデル性能に及ぼす影響と不確実性と説明可能性の関係を臨床的意義の観点から検討した。
熱マップと共に不確実性情報により、臨床現場での使用がより信頼できる。
関連論文リスト
- Towards Reducing Diagnostic Errors with Interpretable Risk Prediction [19.364785715150038]
特定診断のリスクの増大または低下を示す患者EHRデータ中の証拠片をLCMを用いて同定する方法を提案する。
私たちの究極の目標は、証拠へのアクセスを増やし、診断エラーを減らすことです。
論文 参考訳(メタデータ) (2024-02-15T17:05:48Z) - Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T13:44:55Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳(メタデータ) (2023-06-29T23:36:04Z) - Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。
この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
論文 参考訳(メタデータ) (2022-03-30T13:07:41Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳(メタデータ) (2021-10-04T16:06:49Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳(メタデータ) (2021-03-02T13:14:15Z) - Integrating uncertainty in deep neural networks for MRI based stroke
analysis [0.0]
2次元磁気共鳴(MR)画像における脳梗塞の確率を示すベイズ畳み込みニューラルネットワーク(CNN)を提案する。
CNNは511例のコホートで、画像レベルでは95.33%の精度を達成し、非バイエルン人に比べて2%の大幅な改善を示した。
論文 参考訳(メタデータ) (2020-08-13T09:50:17Z) - Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis
and Uncertainty Quantification [0.0]
糖尿病網膜症 (Diabetes Mellitus) は糖尿病の微小血管合併症の1つである。
コナールニューラルネットワークに基づく計算モデルは、眼底画像を用いたDRの自動検出技術の現状を表す。
本稿では,DR診断と不確実性定量化のためのハイブリッドディープラーニング・ガウス法を提案する。
論文 参考訳(メタデータ) (2020-07-29T04:10:42Z) - 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)
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。