Fugu-MT 論文翻訳(概要): Reducing Risk and Uncertainty of Deep Neural Networks on Diagnosing COVID-19 Infection

論文の概要: Reducing Risk and Uncertainty of Deep Neural Networks on Diagnosing COVID-19 Infection

arxiv url: http://arxiv.org/abs/2104.14029v1
Date: Wed, 28 Apr 2021 21:36:25 GMT
ステータス: 処理完了
システム内更新日: 2021-05-01 00:36:31.618587
Title: Reducing Risk and Uncertainty of Deep Neural Networks on Diagnosing COVID-19 Infection
Title（参考訳）: 感染診断におけるディープニューラルネットワークのリスクと不確実性
Authors: Krishanu Sarker, Sharbani Pandit, Anupam Sarker, Saeid Belkasim and Shihao Ji
Abstract要約: 本研究は,専門家参照の混乱事例を検出するために不確実性推定を導入する。医療専門家との協働により, 臨床実践における最善の実施方法の実現可能性を確保するために, 結果をさらに検証する。
参考スコア（独自算出の注目度）: 1.3701366534590498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Effective and reliable screening of patients via Computer-Aided Diagnosis can play a crucial part in the battle against COVID-19. Most of the existing works focus on developing sophisticated methods yielding high detection performance, yet not addressing the issue of predictive uncertainty. In this work, we introduce uncertainty estimation to detect confusing cases for expert referral to address the unreliability of state-of-the-art (SOTA) DNNs on COVID-19 detection. To the best of our knowledge, we are the first to address this issue on the COVID-19 detection problem. In this work, we investigate a number of SOTA uncertainty estimation methods on publicly available COVID dataset and present our experimental findings. In collaboration with medical professionals, we further validate the results to ensure the viability of the best performing method in clinical practice.
Abstract（参考訳）: コンピューター診断による効果的で信頼性の高い患者のスクリーニングは、新型コロナウイルス(covid-19)との闘いにおいて重要な役割を果たす。既存の研究のほとんどは、高い検出性能をもたらす洗練された手法の開発に重点を置いているが、予測の不確実性の問題には対処していない。本研究は、新型コロナウイルス検出における最先端(SOTA)DNNの信頼性の欠如に対処するため、専門家紹介の紛らわしい事例を検出するための不確実性推定を導入する。私たちの知る限りでは、COVID-19検出問題でこの問題に最初に取り組むのは私たちです。本研究は, 市販のCOVIDデータセット上でのSOTA不確実性評価手法を多数検討し, 実験結果について報告する。医療専門家との協働により, 臨床実践における最善の実施方法の実現可能性を確保するために, 結果をさらに検証する。

関連論文リスト

COVID-19 Probability Prediction Using Machine Learning: An Infectious Approach [0.0]
本研究は、新型コロナウイルス感染確率を予測するための高度な機械学習(ML)技術の適用について検討する。我々はXGBoost, LGBM, AdaBoost, Logistic Regression, Decision Tree, RandomForest, CatBoost, KNN, Deep Neural Networks (DNN) などのMLモデルの有効性について厳密な調査を行った。以上の結果から,Deep Neural Networks (DNN) が最高性能モデルとして登場し,精度が向上し,リコール指標が得られた。
論文参考訳（メタデータ） (2024-08-23T05:15:24Z)
A multimodal method based on cross-attention and convolution for postoperative infection diagnosis [0.0]
術後感染診断は重篤な合併症であり,高い診断上の課題となっている。 X線検査は、疑わしいPJI患者の画像検査である。本研究では,自己教師型マスク付きオートエンコーダ事前学習戦略とマルチモーダル核融合診断ネットワークMED-NVCを提案する。
論文参考訳（メタデータ） (2023-05-23T15:08:56Z)
COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical Network to Monitor and Detect COVID-19 Infection from Point-of-Care Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文参考訳（メタデータ） (2023-01-04T16:05:51Z)
Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文参考訳（メタデータ） (2023-01-01T05:02:46Z)
Challenges in COVID-19 Chest X-Ray Classification: Problematic Data or Ineffective Approaches? [0.0]
胸部X線写真から新型コロナウイルスの感染を分類し、検出するための深層学習。本研究では,データと機械学習の両方の観点から,信頼性の高いAIソリューションを作成する上で直面する課題について検討する。
論文参考訳（メタデータ） (2022-01-16T14:12:04Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
A two-step explainable approach for COVID-19 computer-aided diagnosis from chest x-ray images [5.480546613836199]
Chest X-Ray (CXR)イメージングを早期スクリーニングに使用すると、より高速で正確な応答が得られます。肺の既知の病理(腺腫)を最初に検出する,説明可能な2段階の診断アプローチを提案する。
論文参考訳（メタデータ） (2021-01-25T16:35:44Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文参考訳（メタデータ） (2020-04-30T03:13:40Z)
Estimating Uncertainty and Interpretability in Deep Learning for Coronavirus (COVID-19) Detection [0.0]
コンピュータベースの診断にどれだけの自信があるかを知ることは、臨床医にこの技術への信頼を得るのに不可欠である。本稿では,減量重みに基づくベイズ畳み込みニューラルネットワーク(BCNN)を用いて,ディープラーニングソリューションにおける不確実性を推定する方法について検討する。不確実性を認識したディープラーニングソリューションが利用できることで、臨床環境でのAI(Artificial Intelligence)の広範な採用が可能になると考えています。
論文参考訳（メタデータ） (2020-03-22T21:58:13Z)
COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images [93.0013343535411]
我々は,胸部X線(CXR)画像から新型コロナウイルスの症例を検出するための,深層畳み込みニューラルネットワーク設計であるCOVID-Netを紹介した。著者たちの知る限りでは、COVID-NetはCXRイメージからCOVID-19を検出するための、最初のオープンソースネットワーク設計の1つである。また,13,870人の患者を対象に,13,975個のCXR画像からなるオープンアクセスベンチマークデータセットであるCOVIDxも導入した。
論文参考訳（メタデータ） (2020-03-22T12:26:36Z)

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。