論文の概要: CheXseen: Unseen Disease Detection for Deep Learning Interpretation of
Chest X-rays
- arxiv url: http://arxiv.org/abs/2103.04590v1
- Date: Mon, 8 Mar 2021 08:13:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 18:18:17.315148
- Title: CheXseen: Unseen Disease Detection for Deep Learning Interpretation of
Chest X-rays
- Title(参考訳): CheXseen: 胸部X線の深層学習のための未確認疾患検出
- Authors: Siyu Shi, Ishaan Malhi, Kevin Tran, Andrew Y. Ng, Pranav Rajpurkar
- Abstract要約: 学習中にラベルが付かない疾患の存在下でのディープラーニングモデルの性能を体系的に評価する。
まず,あるサブセット(特定の疾患)で訓練されたディープラーニングモデルが,より大きな疾患群のいずれかの存在を検知できるかどうかを評価する。
第2に,病原体外疾患(未発見疾患)と共存する場合に見いだされた病原体に訓練されたモデルが見いだされた病原体を検出することができるかを評価する。
第3に, モデルで学習した特徴表現が, 未発見の疾患の小さな分類群から未発見の疾患の存在を検出するのに有用かどうかを評価する。
- 参考スコア(独自算出の注目度): 6.3556514837221725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We systematically evaluate the performance of deep learning models in the
presence of diseases not labeled for or present during training. First, we
evaluate whether deep learning models trained on a subset of diseases (seen
diseases) can detect the presence of any one of a larger set of diseases. We
find that models tend to falsely classify diseases outside of the subset
(unseen diseases) as "no disease". Second, we evaluate whether models trained
on seen diseases can detect seen diseases when co-occurring with diseases
outside the subset (unseen diseases). We find that models are still able to
detect seen diseases even when co-occurring with unseen diseases. Third, we
evaluate whether feature representations learned by models may be used to
detect the presence of unseen diseases given a small labeled set of unseen
diseases. We find that the penultimate layer of the deep neural network
provides useful features for unseen disease detection. Our results can inform
the safe clinical deployment of deep learning models trained on a
non-exhaustive set of disease classes.
- Abstract(参考訳): 学習中にラベルが付かない疾患の存在下でのディープラーニングモデルの性能を体系的に評価する。
まず,あるサブセット(特定の疾患)で訓練されたディープラーニングモデルが,より大きな疾患群のいずれかの存在を検知できるかどうかを評価する。
モデルでは,病原体以外の疾患(見当たらない疾患)を「病気なし」と誤分類する傾向がみられた。
第2に,ある疾患に訓練されたモデルが,サブセット外の疾患と共起した場合に見いだされた疾患を検出できるかどうかについて評価する。
未発見の疾患と共生しても、モデルはまだ見いだされた疾患を検出できることが分かっています。
第3に, モデルで学習した特徴表現が, 未発見の疾患の小さな分類群から未発見の疾患の存在を検出するのに有用かどうかを評価する。
深部ニューラルネットワークの究極の層は、目に見えない病気の検出に有用な機能を提供する。
本研究は,無症状群で訓練された深層学習モデルの安全な臨床展開について報告する。
関連論文リスト
- Expert Uncertainty and Severity Aware Chest X-Ray Classification by
Multi-Relationship Graph Learning [48.29204631769816]
我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。
以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2023-09-06T19:19:41Z) - 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) - Interpretable histopathology-based prediction of disease relevant
features in Inflammatory Bowel Disease biopsies using weakly-supervised deep
learning [0.8521205677945196]
Crohn's Disease(CD)とUlcerative Colitis(UC)は2種類の炎症性腸疾患である。
深層学習モデルを構築し,CDおよびUCの組織学的特徴を内視鏡的ラベルのみを用いて同定した。
論文 参考訳(メタデータ) (2023-03-20T15:59:29Z) - Common human diseases prediction using machine learning based on survey
data [0.0]
我々は疾患の症状を分析し,その症状に基づいて疾患の予知を行った。
我々は様々な症状を調査し,その課題を完了させるために人から調査を受けた。
モデルのトレーニングにはいくつかの分類アルゴリズムが使用されている。
論文 参考訳(メタデータ) (2022-09-22T02:59:47Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳(メタデータ) (2022-04-28T08:41:51Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳(メタデータ) (2022-04-12T12:25:05Z) - Forecasting new diseases in low-data settings using transfer learning [0.0]
転帰学習を用いた新しい疾患の予測に,関連疾患の知識がいかに役立つかを示す。
転送学習は,対象疾患のデータに基づくモデルを超えても,予測を改善する可能性を秘めている。
論文 参考訳(メタデータ) (2022-04-07T17:54:39Z) - Detection of multiple retinal diseases in ultra-widefield fundus images
using deep learning: data-driven identification of relevant regions [2.20200533591633]
ウルトラワイドフィールド(UWF)イメージングは、より大きな網膜視野を撮影する有望なモダリティである。
過去の研究では、深層学習(DL)モデルがUWF画像の網膜疾患の検出に有効であることが示されている。
より現実的な条件下で複数の網膜疾患を認識できるDLモデルを提案する。
論文 参考訳(メタデータ) (2022-03-11T17:33:33Z) - Correlation-based Discovery of Disease Patterns for Syndromic
Surveillance [0.0]
シナドロミック監視は 早期の症状の 検出を目的としてる
早期症状は通常多くの疾患で共有され、特定の疾患は感染の初期段階にいくつかの臨床像を持つことがある。
歴史的データからそのようなパターンを発見するための,新しい,データ駆動型アプローチを提案する。
論文 参考訳(メタデータ) (2021-10-18T11:50:26Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳(メタデータ) (2020-03-27T11:32:18Z)
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。