論文の概要: MIMIC-IF: Interpretability and Fairness Evaluation of Deep Learning
Models on MIMIC-IV Dataset
- arxiv url: http://arxiv.org/abs/2102.06761v1
- Date: Fri, 12 Feb 2021 20:28:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 16:42:17.605370
- Title: MIMIC-IF: Interpretability and Fairness Evaluation of Deep Learning
Models on MIMIC-IV Dataset
- Title（参考訳）: MIMIC-IF:MIMIC-IVデータセットを用いたディープラーニングモデルの解釈性と公平性評価
- Authors: Chuizheng Meng, Loc Trinh, Nan Xu, Yan Liu
- Abstract要約: MIMIC-IV (Medical Information Mart for Intensive Care, Version IV) は,医療データセットとして最大規模である。
本研究では,データセット表現バイアスの包括的解析と,深層学習モデルの解釈可能性と予測フェアネスを用いて,病院内死亡率予測を行う。
- 参考スコア（独自算出の注目度）: 15.436560770086205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The recent release of large-scale healthcare datasets has greatly propelled
the research of data-driven deep learning models for healthcare applications.
However, due to the nature of such deep black-boxed models, concerns about
interpretability, fairness, and biases in healthcare scenarios where human
lives are at stake call for a careful and thorough examinations of both
datasets and models. In this work, we focus on MIMIC-IV (Medical Information
Mart for Intensive Care, version IV), the largest publicly available healthcare
dataset, and conduct comprehensive analyses of dataset representation bias as
well as interpretability and prediction fairness of deep learning models for
in-hospital mortality prediction. In terms of interpretabilty, we observe that
(1) the best performing interpretability method successfully identifies
critical features for mortality prediction on various prediction models; (2)
demographic features are important for prediction. In terms of fairness, we
observe that (1) there exists disparate treatment in prescribing mechanical
ventilation among patient groups across ethnicity, gender and age; (2) all of
the studied mortality predictors are generally fair while the IMV-LSTM
(Interpretable Multi-Variable Long Short-Term Memory) model provides the most
accurate and unbiased predictions across all protected groups. We further draw
concrete connections between interpretability methods and fairness metrics by
showing how feature importance from interpretability methods can be beneficial
in quantifying potential disparities in mortality predictors.
- Abstract（参考訳）: 最近の大規模医療データセットのリリースは、医療アプリケーションのためのデータ駆動ディープラーニングモデルの研究を大いに推進した。
しかし、このような深いブラックボックスモデルの性質から、人間の命がかかっている医療シナリオにおける解釈可能性、公平性、偏見に対する懸念は、データセットとモデルの両方を慎重に徹底的に検査することを要求する。
本研究では、最大の公開医療データセットであるMIMIC-IV(Medical Information Mart for Intensive Care, Version IV)に焦点を当て、病院内死亡予測のためのディープラーニングモデルの解釈可能性および予測公平性だけでなく、データセット表現バイアスの包括的な分析を行う。
解釈可能性の観点からは,(1)最良な解釈方法が様々な予測モデルにおいて致命率予測の重要な特徴を同定し,(2)人口統計学的特徴が予測に重要であることを観察する。
公平性の観点からは,(1) 民族, 性別, 年齢を問わず, 患者集団に機械的換気を規定する異なる治療法が存在すること, (2) 調査対象の死亡予測器は概ね公平である一方で, IMV-LSTM(Interpretable Multi-Variable Long Short-Term Memory)モデルでは, 全ての保護群で最も正確で偏りのない予測が提供される。
さらに,解釈可能性法と公正度指標との具体的な関係を,解釈可能性法による特徴の重要性が,死亡予測器の潜在的な相違の定量化に有効であることを示す。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Interpretable Prediction and Feature Selection for Survival Analysis [18.987678432106563]
我々は、強い差別と解釈可能性の両方を達成する新しい生存分析モデルであるDyS(dice'と発音する)を提示する。
DySは、特徴選択と解釈可能な予測を1つのモデルに組み合わせた、機能スパースな一般化付加モデルである。
論文 参考訳（メタデータ） (2024-04-23T02:36:54Z) - Explainable AI for Fair Sepsis Mortality Predictive Model [3.556697333718976]
本稿では、性能最適化予測モデルを学習し、転送学習プロセスを用いて、より公正なモデルを生成する方法を提案する。
我々の手法は、予測モデル内のバイアスを特定し緩和するだけでなく、医療関係者間の信頼を高める。
論文 参考訳（メタデータ） (2024-04-19T18:56:46Z) - Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline
Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。
この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。
この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
論文 参考訳（メタデータ） (2023-12-31T16:01:48Z) - A Knowledge Distillation Approach for Sepsis Outcome Prediction from
Multivariate Clinical Time Series [2.621671379723151]
我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。
我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
論文 参考訳（メタデータ） (2023-11-16T05:06:51Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - MIMO: Mutual Integration of Patient Journey and Medical Ontology for
Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文 参考訳（メタデータ） (2021-07-20T07:04:52Z) - Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany [0.0]
いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。
ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。
本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-03T16:39:00Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z) - ISeeU2: Visually Interpretable ICU mortality prediction using deep
learning and free-text medical notes [0.0]
そこで本研究では,MIMIC-IIIで訓練した深層学習モデルを用いて,生の看護ノートによる死亡率の予測と,単語の重要性の視覚的説明を行う。
我々のモデルは0.8629のROCに達し、従来のSAPS-IIスコアを上回り、類似のDeep Learningアプローチと比較して高い解釈性を提供する。
論文 参考訳（メタデータ） (2020-05-19T08:30:34Z)
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。