Fugu-MT 論文翻訳(概要): How I failed machine learning in medical imaging -- shortcomings and recommendations

論文の概要: How I failed machine learning in medical imaging -- shortcomings and recommendations

arxiv url: http://arxiv.org/abs/2103.10292v1
Date: Thu, 18 Mar 2021 14:46:35 GMT
ステータス: 処理完了
システム内更新日: 2021-03-19 14:13:45.296635
Title: How I failed machine learning in medical imaging -- shortcomings and recommendations
Title（参考訳）: 医療画像における機械学習の失敗 -- 欠点と推奨
Authors: Ga\"el Varoquaux and Veronika Cheplygina
Abstract要約: あらゆるステップにおいて、潜在的なバイアスが忍び込みます。これらの問題に対処するイニシアチブはすでに始まっています今後、これらの問題を解決する方法については、幅広い推奨事項を提供しています。
参考スコア（独自算出の注目度）: 0.9137554315375919
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Medical imaging is an important research field with many opportunities for improving patients' health. However, there are a number of challenges that are slowing down the progress of the field as a whole, such optimizing for publication. In this paper we reviewed several problems related to choosing datasets, methods, evaluation metrics, and publication strategies. With a review of literature and our own analysis, we show that at every step, potential biases can creep in. On a positive note, we also see that initiatives to counteract these problems are already being started. Finally we provide a broad range of recommendations on how to further these address problems in the future. For reproducibility, data and code for our analyses are available on \url{https://github.com/GaelVaroquaux/ml_med_imaging_failures}
Abstract（参考訳）: 医療画像は、患者の健康を改善する多くの機会を持つ重要な研究分野である。しかし、出版の最適化など、この分野全体の進歩を鈍化させている課題はいくつかある。本稿では,データセットの選択,手法,評価指標,公開戦略に関する諸問題について概説する。文献のレビューと分析によって、あらゆる段階において、潜在的なバイアスが忍び寄ることが示されます。ポジティブな点として、これらの問題に対処するイニシアチブはすでに始まっています。最後に、将来的にこれらの問題を解決する方法について、幅広い推奨事項を提供しています。再現性のため、解析のためのデータとコードは \url{https://github.com/gaelvaroquaux/ml_med_imaging_failures} で利用可能である。

関連論文リスト

Continual Learning in Medical Imaging: A Survey and Practical Analysis [0.7794090852114541]
連続学習は、ニューラルネットワークにおける過去の学習を忘れずに、新しい知識のシーケンシャルな獲得を可能にするという約束を提供する。医学領域における継続的な学習に関する最近の文献を概観し、最近の傾向を概説し、実際的な問題点を指摘する。医療画像における継続的な学習の現状を批判的に論じる。
論文参考訳（メタデータ） (2024-05-22T09:48:04Z)
A survey of recent methods for addressing AI fairness and bias in biomedicine [48.46929081146017]
人工知能システムは、人種や性別に基づくような社会的不平等を永続するか、偏見を示すことができる。バイオメディカル自然言語処理 (NLP) やコンピュータビジョン (CV) の分野での様々な脱バイアス法に関する最近の論文を調査した。我々は,2018年1月から2023年12月にかけて,複数のキーワードの組み合わせを用いて,PubMed,ACMデジタルライブラリ,IEEE Xploreに関する文献検索を行った。バイオメディシンに応用可能な一般領域からの他の方法について検討し, バイアスに対処し, 公平性を向上する方法について検討した。
論文参考訳（メタデータ） (2024-02-13T06:38:46Z)
Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
論文参考訳（メタデータ） (2024-01-31T11:51:24Z)
A Systematic Review of Few-Shot Learning in Medical Imaging [1.049712834719005]
少ないショットの学習技術は、データの不足を減らし、医療画像分析を強化する。この体系的なレビューは、医療画像における数ショット学習の概要を包括的に示すものである。
論文参考訳（メタデータ） (2023-09-20T16:10:53Z)
Reproducibility of the Methods in Medical Imaging with Deep Learning [0.8399688944263843]
The Medical Imaging with Deep Learning (MIDL) conference has done this direction by advocateing open access。我々は、2018年から2022年にかけて、確立されたガイドラインと公開リポジトリの品質を用いて、受理された全論文をMIDLに提出した。医用画像アプリケーションのための機械学習関連研究ガイドラインのセットを提案し, 今後のMIDLへの提出に向けて特別に調整した。
論文参考訳（メタデータ） (2022-10-20T10:23:33Z)
Understanding the Tricks of Deep Learning in Medical Image Segmentation: Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文参考訳（メタデータ） (2022-09-21T12:30:05Z)
Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。共通情報と相補情報の両方を敵意で抽出することを目的としている。特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文参考訳（メタデータ） (2021-02-15T18:46:44Z)
Applications of Deep Learning in Fundus Images: A Review [27.70388285366776]
眼疾患早期検診における眼底画像の使用は臨床的に非常に重要である。ディープラーニングは、関連アプリケーションでますます普及しています。
論文参考訳（メタデータ） (2021-01-25T02:39:40Z)
A survey on shape-constraint deep learning for medical image segmentation [0.46023882211671957]
畳み込みニューラルネットワークとその多くのバリエーションは、ディープラーニングベースの医療画像セグメンテーションの現代の風景を完全に変えました。これらの手法のピクセルレベルの分類と回帰に対する過度の依存は、問題として早期に特定されている。セグメンテーション結果が解剖学的に一貫性があることを確認するために、マルコフ/条件付きランダムフィールドに基づくアプローチは、統計的シェイプモデルがますます普及しています。
論文参考訳（メタデータ） (2021-01-19T16:52:10Z)
Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。本稿では,生成逆U-Netという新しい生成手法を提案する。当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文参考訳（メタデータ） (2021-01-12T23:02:26Z)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。