論文の概要: Diagnosis of Acute Poisoning Using Explainable Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2102.01116v1
• Date: Mon, 1 Feb 2021 19:16:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 00:12:07.513560
• Title: Diagnosis of Acute Poisoning Using Explainable Artificial Intelligence
• Title（参考訳）: 説明可能な人工知能を用いた急性中毒の診断
• Authors: Michael Chary, Ed W Boyer, Michele M Burns
• Abstract要約: 医療毒性学者の知識基盤の一部を表す確率論的論理ネットワークを構築した。 Takと呼ばれるこのソフトウェアは、簡単なケースと中間的な困難ケースで人間に比較できるが、難しい臨床ケースでは人間より優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical toxicology is the clinical specialty that treats the toxic effects of substances, be it an overdose, a medication error, or a scorpion sting. The volume of toxicological knowledge and research has, as with other medical specialties, outstripped the ability of the individual clinician to entirely master and stay current with it. The application of machine learning techniques to medical toxicology is challenging because initial treatment decisions are often based on a few pieces of textual data and rely heavily on prior knowledge. ML techniques often do not represent knowledge in a way that is transparent for the physician, raising barriers to usability. Rule-based systems and decision tree learning are more transparent approaches, but often generalize poorly and require expert curation to implement and maintain. Here, we construct a probabilistic logic network to represent a portion of the knowledge base of a medical toxicologist. Our approach transparently mimics the knowledge representation and clinical decision-making of practicing clinicians. The software, dubbed Tak, performs comparably to humans on straightforward cases and intermediate difficulty cases, but is outperformed by humans on challenging clinical cases. Tak outperforms a decision tree classifier at all levels of difficulty. Probabilistic logic provides one form of explainable artificial intelligence that may be more acceptable for use in healthcare, if it can achieve acceptable levels of performance.
• Abstract（参考訳）: 医療毒性学(英語: medical toxicology)は、薬物の毒性を、過剰摂取、薬物乱用、またはスコーピオンステントなど、治療する専門分野である。 毒性学の知識と研究の量は、他の医学分野と同様に、個々の臨床医が完全に習得し、現在の状態を維持する能力を上回っている。 医学毒性学への機械学習技術の適用は、初期治療の決定はしばしばいくつかのテキストデータに基づいており、事前知識に大きく依存するため、困難です。 ml技術は、しばしば医師が透明な方法で知識を表現せず、ユーザビリティへの障壁を生じさせる。 ルールベースのシステムと決定木学習はより透過的なアプローチであるが、しばしば一般化が不十分で、実装と維持には専門家のキュレーションが必要である。 そこで我々は,医療毒性学者の知識基盤の一部を表す確率論的論理ネットワークを構築した。 本手法は臨床医の知識表現と臨床意思決定を透過的に模倣する。 Takと呼ばれるこのソフトウェアは、簡単なケースと中間的な困難ケースで人間に比較できるが、難しい臨床ケースでは人間より優れている。 takは決定木分類器をあらゆる難易度で上回っている。 確率論理は、許容可能なレベルのパフォーマンスを達成できれば、医療での使用がより受け入れられるかもしれない説明可能な人工知能の1つの形態を提供します。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Deriving Hematological Disease Classes Using Fuzzy Logic and Expert Knowledge: A Comprehensive Machine Learning Approach with CBC Parameters [0.49998148477760973]
  本稿では、ファジィ論理則を応用して、専門分野の知識に基づく病気のクラスを導出する手法を提案する。 Fuzzy Logic Rulesは、あいまいさを扱う能力で有名な計算技術です。 予備結果は高い精度のレベルを示し、ファジィ論理を診断プロセスに統合する利点を裏付けるものである。
  論文  参考訳（メタデータ） (2024-06-18T19:16:32Z)
• The Limits of Perception: Analyzing Inconsistencies in Saliency Maps in XAI [0.0]
  説明可能な人工知能(XAI)は、AIの意思決定プロセスの解明に不可欠である。 ブラックボックス」として機能し、その理由が曖昧でアクセスできないため、誤診のリスクが高まる。 この透明性へのシフトは、単に有益であるだけでなく、医療におけるAI統合の責任を負うための重要なステップでもある。
  論文  参考訳（メタデータ） (2024-03-23T02:15:23Z)
• Defining Expertise: Applications to Treatment Effect Estimation [58.7977683502207]
  専門知識(特にドメインの意思決定者が持つであろう専門知識の種類)は、治療効果の推定方法の設計と選択において有益である、と我々は主張する。 予測的および予測的2種類の専門知識を定義し,(i)ドメインにおける顕著な専門知識のタイプが治療効果推定における異なる手法の性能に大きく影響し,(ii)データセットに存在する専門知識のタイプを予測することが可能であることを実証的に示す。
  論文  参考訳（メタデータ） (2024-03-01T17:30:49Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model with Logic Regularization [59.15047491202254]
  症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。 本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。 以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
  論文  参考訳（メタデータ） (2022-06-02T07:57:17Z)
• Transparency of Deep Neural Networks for Medical Image Analysis: A Review of Interpretability Methods [3.3918638314432936]
  ディープニューラルネットワークは、多くのタスクにおいて、臨床医と同じまたはより良いパフォーマンスを示している。 現在のディープ・ニューラル・ソリューションは、意思決定プロセスに関する具体的な知識の欠如からブラックボックスと呼ばれる。 通常の臨床ワークフローに組み込む前に、ディープニューラルネットワークの解釈可能性を保証する必要がある。
  論文  参考訳（メタデータ） (2021-11-01T01:42:26Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Decision Support for Intoxication Prediction Using Graph Convolutional Networks [34.73713173968106]
  本稿では,患者の症状とメタ情報をグラフ畳み込みネットワークを用いて融合する新しい機械学習CADx法を提案する。 ミュンヘンのPCCと10種類の毒素の有毒化を経験した10名の医師に対して,本法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-05-02T14:20:32Z)
• Learning medical triage from clinicians using Deep Q-Learning [0.3111424566471944]
  臨床用ウィグレットを用いたトリアージ患者に対するDeep Reinforcement Learningアプローチを提案する。 このデータセットは1374個の臨床ヴィグネットで構成され、実際の症例を表すために医師によって作成された。 このアプローチは人間のパフォーマンスと同等であり、94%のケースで安全なトリアージ決定が得られ、85%のケースで専門家の判断と一致している。
  論文  参考訳（メタデータ） (2020-03-28T16:07:41Z)

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。