論文の概要: CheXbreak: Misclassification Identification for Deep Learning Models Interpreting Chest X-rays

• arxiv url: http://arxiv.org/abs/2103.09957v1
• Date: Thu, 18 Mar 2021 00:30:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 05:58:50.900738
• Title: CheXbreak: Misclassification Identification for Deep Learning Models Interpreting Chest X-rays
• Title（参考訳）: CheXbreak: 胸部X線を解釈するディープラーニングモデルの誤分類識別
• Authors: Emma Chen, Andy Kim, Rayan Krishnan, Jin Long, Andrew Y. Ng, Pranav Rajpurkar
• Abstract要約: まず、胸部X線モデルが誤分類される可能性がある患者サブグループが存在するかを検討する。 胸部X線モデルの誤分類を予測するため, 患者年齢, 肺病変, 気胸のX線所見は統計的に有意な特徴である。 胸部X線モデルの出力と臨床特徴を用いた誤分類予測器を開発した。
• 参考スコア（独自算出の注目度）: 5.263502842508203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A major obstacle to the integration of deep learning models for chest x-ray interpretation into clinical settings is the lack of understanding of their failure modes. In this work, we first investigate whether there are patient subgroups that chest x-ray models are likely to misclassify. We find that patient age and the radiographic finding of lung lesion or pneumothorax are statistically relevant features for predicting misclassification for some chest x-ray models. Second, we develop misclassification predictors on chest x-ray models using their outputs and clinical features. We find that our best performing misclassification identifier achieves an AUROC close to 0.9 for most diseases. Third, employing our misclassification identifiers, we develop a corrective algorithm to selectively flip model predictions that have high likelihood of misclassification at inference time. We observe F1 improvement on the prediction of Consolidation (0.008 [95\% CI 0.005, 0.010]) and Edema (0.003, [95\% CI 0.001, 0.006]). By carrying out our investigation on ten distinct and high-performing chest x-ray models, we are able to derive insights across model architectures and offer a generalizable framework applicable to other medical imaging tasks.
• Abstract（参考訳）: 胸部X線解釈のための深層学習モデルの臨床環境への統合に対する大きな障害は、その障害モードの理解の欠如である。 本研究は,胸部X線モデルが誤分類しそうな患者サブグループが存在するかどうかをまず検討する。 胸部X線モデルの誤分類予測には, 年齢, 肺病変, 気胸のX線所見が統計的に関連していることがわかった。 第2に,胸部X線モデルの出力と臨床特徴を用いた誤分類予測器を開発した。 その結果,AUROCがほとんどの疾患に対して0.9に近づいたことが判明した。 第3に,誤分類識別子を用いて,推定時に誤分類の可能性の高いモデル予測を選択的にフリップする補正アルゴリズムを開発した。 コンソリデーション予測のF1改善(0.008 [95\% CI 0.005, 0.010])とEdema(0.003, [95\% CI 0.001, 0.006])を観察した。 10種類の胸部X線モデルについて調査を行うことにより、モデルアーキテクチャ全体の洞察を導き、他の医療画像タスクに適用可能なフレームワークを提供することができる。

関連論文リスト

• SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
  我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。 最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
  論文  参考訳（メタデータ） (2023-11-13T21:07:07Z)
• CheX-Nomaly: Segmenting Lung Abnormalities from Chest Radiographs using Machine Learning [0.0]
  本稿では,二元化ローカライズU-netモデルであるCheX-nomalyを提案する。 対照的な学習手法を取り入れることで,異常局所化モデルの一般化性を大幅に向上できることを示す。 また,バウンディングボックスセグメンテーションにおけるU-nets性能を向上させるために,新たな損失手法を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:27:57Z)
• 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)
• ThoraX-PriorNet: A Novel Attention-Based Architecture Using Anatomical Prior Probability Maps for Thoracic Disease Classification [2.0319363307774476]
  胸部疾患は, 他と比較して, 特定の解剖学的領域で発生しやすいことが知られている。 本稿では、この病気と地域依存の事前確率分布をディープラーニングフレームワークに組み込むことを目的とする。
  論文  参考訳（メタデータ） (2022-10-06T15:38:02Z)
• A Deep Learning Technique using a Sequence of Follow Up X-Rays for Disease classification [3.3345134768053635]
  深層学習技術を用いて肺と心臓の疾患を予測する能力は多くの研究者の中心である。 最新の胸部X線像3例の追跡歴を含む患者のX線像は, 疾患分類において良好な成績を示すと推定された。
  論文  参考訳（メタデータ） (2022-03-28T19:58:47Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• CheXternal: Generalization of Deep Learning Models for Chest X-ray Interpretation to Photos of Chest X-rays and External Clinical Settings [6.133159722996137]
  胸部X線および外部データセットのスマートフォン写真に適用した8種類の胸部X線モデルの診断性能を測定した。 胸部X線写真では、すべての8モデルが統計的に重要なタスクパフォーマンスの低下を経験しました。 一部の胸部X線モデルは、臨床的に関連する分布シフトの下で、放射線学者に匹敵するが、他のモデルはそうではなかった。
  論文  参考訳（メタデータ） (2021-02-17T09:58:14Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。