論文の概要: An XAI Approach to Deep Learning Models in the Detection of Ductal Carcinoma in Situ

• arxiv url: http://arxiv.org/abs/2106.14186v1
• Date: Sun, 27 Jun 2021 10:22:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 03:41:46.450176
• Title: An XAI Approach to Deep Learning Models in the Detection of Ductal Carcinoma in Situ
• Title（参考訳）: xaiによる管癌検出における深層学習モデルの検討
• Authors: Michele La Ferla, Matthew Montebello and Dylan Seychell
• Abstract要約: 深層学習コミュニティでは、健康に関する問題、特に乳がんを解決しようとする反動があった。 その結果,マンモグラムの分類に寄与する画素を強調するために,CNNの隠蔽層を通過する説明システムが必要であることがわかった。 これは原画像中のこれらのピクセルの地図として表現され、最終分類に寄与する診断と範囲に寄与する。 このアルゴリズムの最も大きな利点は、Resnet-50パッチアーキテクチャで非常によく機能することである。
• 参考スコア（独自算出の注目度）: 0.25782420501870296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During the last decade or so, there has been an insurgence in the deep learning community to solve health-related issues, particularly breast cancer. Following the Camelyon-16 challenge in 2016, several researchers have dedicated their time to build Convolutional Neural Networks (CNNs) to help radiologists and other clinicians diagnose breast cancer. In particular, there has been an emphasis on Ductal Carcinoma in Situ (DCIS); the clinical term for early-stage breast cancer. Large companies have given their fair share of research into this subject, among these Google Deepmind who developed a model in 2020 that has proven to be better than radiologists themselves to diagnose breast cancer correctly. We found that among the issues which exist, there is a need for an explanatory system that goes through the hidden layers of a CNN to highlight those pixels that contributed to the classification of a mammogram. We then chose an open-source, reasonably successful project developed by Prof. Shen, using the CBIS-DDSM image database to run our experiments on. It was later improved using the Resnet-50 and VGG-16 patch-classifiers, analytically comparing the outcome of both. The results showed that the Resnet-50 one converged earlier in the experiments. Following the research by Montavon and Binder, we used the DeepTaylor Layer-wise Relevance Propagation (LRP) model to highlight those pixels and regions within a mammogram which contribute most to its classification. This is represented as a map of those pixels in the original image, which contribute to the diagnosis and the extent to which they contribute to the final classification. The most significant advantage of this algorithm is that it performs exceptionally well with the Resnet-50 patch classifier architecture.
• Abstract（参考訳）: 過去10年ほど、深層学習コミュニティでは、健康に関する問題、特に乳がんを解決しようとする反動があった。 2016年のcamlyon-16チャレンジに続いて、複数の研究者が畳み込みニューラルネットワーク(convolutional neural networks:cnns)の構築に時間を割いた。 特に早期乳癌の臨床的用語であるSitu(DCIS)の直腸癌が強調されている。 google deepmindは2020年に、乳がんを正しく診断するために放射線科医自身よりも優れていることを証明したモデルを開発した。 その結果,マンモグラムの分類に寄与する画素を強調するために,CNNの隠蔽層を通過する説明システムが必要であることがわかった。 そして、CBIS-DDSMイメージデータベースを使って、シェン教授が開発したオープンソースプロジェクトを選択しました。 後にResnet-50とVGG-16のパッチ分類器を使用して改善され、両者の結果を比較した。 その結果、Resnet-50は実験の早い段階で収束した。 montavon と binder による研究に続いて,deeptaylor layer-wise associated propagation (lrp) モデルを用いてマンモグラム内の画素と領域を強調し,その分類に最も寄与した。 これは元の画像の中のこれらのピクセルの地図として表現され、診断と最終分類にどの程度寄与するかに寄与する。 このアルゴリズムの最も重要な利点は、resnet-50パッチ分類器アーキテクチャで非常によく機能する点である。

関連論文リスト

• How Human-Centered Explainable AI Interface Are Designed and Evaluated: A Systematic Survey [48.97104365617498]
  Em Explainable Interfaces (EIs) の登場する領域は,XAI のユーザインターフェースとユーザエクスペリエンス設計に重点を置いている。 本稿では,人間とXAIの相互作用の現在の動向と,EI設計・開発に向けた将来的な方向性を明らかにするために,53の出版物を体系的に調査する。
  論文  参考訳（メタデータ） (2024-03-21T15:44:56Z)
• How much informative is your XAI? A decision-making assessment task to objectively measure the goodness of explanations [53.01494092422942]
  XAIに対する個人化アプローチとユーザ中心アプローチの数は、近年急速に増加している。 ユーザ中心のXAIアプローチがユーザとシステム間のインタラクションに肯定的な影響を与えることが明らかとなった。 我々は,XAIシステムの良否を客観的かつ定量的に評価するための評価課題を提案する。
  論文  参考訳（メタデータ） (2023-12-07T15:49:39Z)
• Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection in OCTA Images [53.235117594102675]
  オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。 我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。 Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
  論文  参考訳（メタデータ） (2023-11-10T11:49:49Z)
• Deciphering knee osteoarthritis diagnostic features with explainable artificial intelligence: A systematic review [4.918419052486409]
  変形性膝関節症(OA)を診断するための既存の人工知能モデルは、その透明性と解釈可能性の欠如に対して批判を浴びている。 近年,説明可能な人工知能 (XAI) がモデルの予測に自信を与える特別な技術として出現している。 本報告では膝OA診断に用いるXAI技術について紹介する。
  論文  参考訳（メタデータ） (2023-08-18T08:23:47Z)
• Evaluation of Popular XAI Applied to Clinical Prediction Models: Can They be Trusted? [2.0089256058364358]
  透明性と説明可能性の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。 本研究は、医療現場における予測モデルの説明に使用される2つの一般的なXAI手法を評価する。
  論文  参考訳（メタデータ） (2023-06-21T02:29:30Z)
• A System's Approach Taxonomy for User-Centred XAI: A Survey [0.6882042556551609]
  本稿では,一般システム理論の原理に基づく総合的,包括的でユーザ中心のXAI分類法を提案する。 これは、開発者とエンドユーザの両方を含むすべてのユーザタイプに対するXAIアプローチの適切性を評価する基盤を提供する。
  論文  参考訳（メタデータ） (2023-03-06T00:50:23Z)
• Towards Human Cognition Level-based Experiment Design for Counterfactual Explanations (XAI) [68.8204255655161]
  XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。 認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。 本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-31T19:20:22Z)
• What Do End-Users Really Want? Investigation of Human-Centered XAI for Mobile Health Apps [69.53730499849023]
  説明可能なAI(XAI)を評価するために,ユーザ中心のペルソナ概念を提案する。 分析の結果,ユーザの人口統計や性格,説明のタイプ,影響説明の嗜好が示された。 私たちの洞察は、対話的で人間中心のXAIを実践的な応用に近づけます。
  論文  参考訳（メタデータ） (2022-10-07T12:51:27Z)
• Connecting Algorithmic Research and Usage Contexts: A Perspective of Contextualized Evaluation for Explainable AI [65.44737844681256]
  説明可能なAI(XAI)を評価する方法に関するコンセンサスの欠如は、この分野の進歩を妨げる。 このギャップを埋める一つの方法は、異なるユーザ要求を考慮に入れた評価方法を開発することである、と我々は主張する。
  論文  参考訳（メタデータ） (2022-06-22T05:17:33Z)
• Explainable Artificial Intelligence Methods in Combating Pandemics: A Systematic Review [7.140215556873923]
  新型コロナウイルス(COVID-19)パンデミックにおける人工知能の影響は、モデルの透明性の欠如によって大幅に制限された。 XAIをうまく利用すれば、モデルの性能を改善し、エンドユーザに信頼を与え、ユーザの意思決定に影響を与えるのに必要な価値を提供することができる。
  論文  参考訳（メタデータ） (2021-12-23T16:55:27Z)

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。