論文の概要: Detecting Spurious Correlations with Sanity Tests for Artificial
Intelligence Guided Radiology Systems
- arxiv url: http://arxiv.org/abs/2103.03048v1
- Date: Thu, 4 Mar 2021 14:14:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 15:10:21.743881
- Title: Detecting Spurious Correlations with Sanity Tests for Artificial
Intelligence Guided Radiology Systems
- Title(参考訳): 人工知能ガイド放射線学システムにおけるサニティテストによる汚い相関の検出
- Authors: Usman Mahmood, Robik Shrestha, David D.B. Bates, Lorenzo Mannelli,
Giuseppe Corrias, Yusuf Erdi, Christopher Kanan
- Abstract要約: 放射線学におけるAIの展開における重要な要素は、開発システムの有効性と安全性への信頼を得ることである。
現在のゴールド標準アプローチは、一般化データセットのパフォーマンスの分析検証を行うことである。
間違った理由から,システムが開発データに対して良好に動作するかどうかを特定するための,一連の健全性テストについて述べる。
- 参考スコア(独自算出の注目度): 22.249702822013045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence (AI) has been successful at solving numerous problems
in machine perception. In radiology, AI systems are rapidly evolving and show
progress in guiding treatment decisions, diagnosing, localizing disease on
medical images, and improving radiologists' efficiency. A critical component to
deploying AI in radiology is to gain confidence in a developed system's
efficacy and safety. The current gold standard approach is to conduct an
analytical validation of performance on a generalization dataset from one or
more institutions, followed by a clinical validation study of the system's
efficacy during deployment. Clinical validation studies are time-consuming, and
best practices dictate limited re-use of analytical validation data, so it is
ideal to know ahead of time if a system is likely to fail analytical or
clinical validation. In this paper, we describe a series of sanity tests to
identify when a system performs well on development data for the wrong reasons.
We illustrate the sanity tests' value by designing a deep learning system to
classify pancreatic cancer seen in computed tomography scans.
- Abstract(参考訳): 人工知能(ai)は、機械知覚の多くの問題を解決することに成功した。
放射線学において、AIシステムは急速に進化し、治療決定の導出、診断、医療画像上の疾患の局所化、放射線医の効率の向上の進展を示している。
放射線学におけるAIの展開における重要な要素は、開発システムの有効性と安全性への信頼を得ることである。
現在のゴールドスタンダードのアプローチは、1つ以上の機関からの一般化データセットでパフォーマンスの分析検証を行い、次にデプロイ中のシステムの有効性に関する臨床検証を行う。
臨床検証研究は時間がかかり、ベストプラクティスは分析検証データの限られた再利用を指示するので、システムが分析または臨床検証に失敗する可能性があるかどうかを事前に知るのが理想的です。
本稿では,開発データに不正な理由から,システムがいつ良好に動作するかを特定するための一連の健全性テストについて述べる。
本研究は,ctで見る膵癌分類のための深層学習システムを設計することで,健康検査の価値を示す。
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) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳(メタデータ) (2024-05-21T06:44:40Z) - CopilotCAD: Empowering Radiologists with Report Completion Models and Quantitative Evidence from Medical Image Foundation Models [3.8940162151291804]
本研究は,放射線技師の補助的共同操縦システムを構築するための革新的なパラダイムを紹介する。
我々は,大規模言語モデル(LLM)と医用画像解析ツールを統合する協調フレームワークを開発した。
論文 参考訳(メタデータ) (2024-04-11T01:33:45Z) - 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) - Detecting algorithmic bias in medical-AI models using trees [7.939586935057782]
本稿では,医療AI意思決定支援システムにおけるアルゴリズムバイアスの領域を検出するための革新的な枠組みを提案する。
本手法は,医学・AIモデルにおける潜在的なバイアスを,特に敗血症予測の文脈で効果的に同定する。
論文 参考訳(メタデータ) (2023-12-05T18:47:34Z) - Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer
Learning Method [0.0]
本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。
ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。
提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
論文 参考訳(メタデータ) (2023-12-01T10:37:02Z) - Recent advancement in Disease Diagnostic using machine learning:
Systematic survey of decades, comparisons, and challenges [0.0]
バイオメディカル領域におけるパターン認識と機械学習は、疾患の検出と診断の精度を高めることを約束する。
本稿では,肝炎,糖尿病,肝疾患,デング熱,心臓病などの疾患を検出するための機械学習アルゴリズムについて検討する。
論文 参考訳(メタデータ) (2023-07-31T16:35:35Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - 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) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z)
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。