論文の概要: Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis

• arxiv url: http://arxiv.org/abs/2103.05112v1
• Date: Tue, 2 Mar 2021 11:07:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 00:57:00.439601
• Title: Deep Learning Based Decision Support for Medicine -- A Case Study on Skin Cancer Diagnosis
• Title（参考訳）: 深層学習に基づく医学的意思決定支援 --皮膚がん診断のケーススタディ-
• Authors: Adriano Lucieri, Andreas Dengel and Sheraz Ahmed
• Abstract要約: 皮膚がん検診におけるDeep Learning-based Decision Support Systemの臨床応用は、患者のケアの質を向上させる可能性がある。 本稿では,臨床像,皮膚内視鏡像,病理像から皮膚癌の診断例を例に,医療応用における説明可能なDLベースの意思決定支援に向けた取り組みの概要について述べる。
• 参考スコア（独自算出の注目度）: 6.820831423843006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Early detection of skin cancers like melanoma is crucial to ensure high chances of survival for patients. Clinical application of Deep Learning (DL)-based Decision Support Systems (DSS) for skin cancer screening has the potential to improve the quality of patient care. The majority of work in the medical AI community focuses on a diagnosis setting that is mainly relevant for autonomous operation. Practical decision support should, however, go beyond plain diagnosis and provide explanations. This paper provides an overview of works towards explainable, DL-based decision support in medical applications with the example of skin cancer diagnosis from clinical, dermoscopic and histopathologic images. Analysis reveals that comparably little attention is payed to the explanation of histopathologic skin images and that current work is dominated by visual relevance maps as well as dermoscopic feature identification. We conclude that future work should focus on meeting the stakeholder's cognitive concepts, providing exhaustive explanations that combine global and local approaches and leverage diverse modalities. Moreover, the possibility to intervene and guide models in case of misbehaviour is identified as a major step towards successful deployment of AI as DL-based DSS and beyond.
• Abstract（参考訳）: メラノーマなどの皮膚がんの早期発見は、患者の生存率を高めるために重要である。 皮膚がん検診におけるDeep Learning (DL)-based Decision Support Systems (DSS) の臨床応用は、患者のケアの質を向上させる可能性がある。 医療AIコミュニティにおける作業の大部分は、主に自律的な手術に関連する診断設定に焦点を当てている。 しかし、実際の意思決定支援は、平易な診断を超えて説明を提供するべきである。 本稿では,臨床像,皮膚内視鏡像,病理像から皮膚癌の診断例を例に,医療応用における説明可能なDLベースの意思決定支援に向けた取り組みの概要について述べる。 分析の結果、病理組織学的皮膚像の説明には注意が払われず、現在の研究は視覚関連地図と皮膚内視鏡的特徴同定が支配的であることが明らかとなった。 我々は、将来の作業は、ステークホルダーの認知概念を満たすことに集中し、グローバルなアプローチとローカルなアプローチを組み合わせて多様なモダリティを活用する徹底的な説明を提供するべきであると結論付けている。 さらに、誤った振る舞いの場合にモデルに介入し、ガイドする可能性は、DLベースのDSSなどとしてAIのデプロイを成功させるための大きなステップとして特定されている。

関連論文リスト

• Advancing Histopathology-Based Breast Cancer Diagnosis: Insights into Multi-Modality and Explainability [2.8145472964232137]
  マルチモーダル技術を用いて、画像データと非画像データを統合することで、乳癌の診断における変革的な進歩を示す。 本稿では,マルチモーダルデータを用いて診断精度,臨床信頼度,患者のエンゲージメントを高めるための説明性を強調する。
  論文  参考訳（メタデータ） (2024-06-07T19:23:22Z)
• SkinGEN: an Explainable Dermatology Diagnosis-to-Generation Framework with Interactive Vision-Language Models [52.90397538472582]
  SkinGENは、VLMが提供する診断結果から参照デモを生成する、診断から生成までのフレームワークである。 システム性能と説明可能性の両方を評価するために,32人の参加者によるユーザスタディを実施している。 その結果、SkinGENはVLM予測に対するユーザの理解を著しく改善し、診断プロセスへの信頼を高めることが示されている。
  論文  参考訳（メタデータ） (2024-04-23T05:36:33Z)
• 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)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Beyond Direct Diagnosis: LLM-based Multi-Specialist Agent Consultation for Automatic Diagnosis [30.943705201552643]
  本研究では,潜在的な疾患に対するエージェントの確率分布を適応的に融合させることにより,現実世界の診断過程をモデル化する枠組みを提案する。 提案手法では,パラメータ更新とトレーニング時間を大幅に短縮し,効率と実用性を向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:25:30Z)
• A Foundational Framework and Methodology for Personalized Early and Timely Diagnosis [84.6348989654916]
  本稿では,早期診断とタイムリー診断のための基礎的枠組みを提案する。 診断過程を概説する決定論的アプローチに基づいている。 機械学習と統計手法を統合し、最適なパーソナライズされた診断経路を推定する。
  論文  参考訳（メタデータ） (2023-11-26T14:42:31Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• The Skincare project, an interactive deep learning system for differential diagnosis of malignant skin lesions. Technical Report [1.9785872350085878]
  皮膚科医の不足は、皮膚科医を求める患者に長い待ち時間をもたらします。 本稿では、スキンケアプロジェクトについて述べる(H2020, EIT Digital)。 コントリビューションには、インタラクティブ機械学習(IML)に基づく臨床意思決定支援技術の提供が含まれている。 主な貢献は皮膚科における診断・意思決定支援システム, 悪性皮膚病変の鑑別診断のための対話型深層学習システムである。
  論文  参考訳（メタデータ） (2020-05-19T13:51:17Z)

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。