論文の概要: Evaluating subgroup disparity using epistemic uncertainty in mammography

• arxiv url: http://arxiv.org/abs/2107.02716v1
• Date: Tue, 6 Jul 2021 16:36:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-07 17:45:09.286557
• Title: Evaluating subgroup disparity using epistemic uncertainty in mammography
• Title（参考訳）: マンモグラフィにおけるてんかん不確実性を用いたサブグループ格差の評価
• Authors: Charles Lu, Andreanne Lemay, Katharina Hoebel, Jayashree Kalpathy-Cramer
• Abstract要約: 本研究では,乳房密度評価のための患者集団(人種)とデータ取得サブグループにおける不確実性の評価について検討する。 その結果,集合的性能が同等であっても,不確実な計量量化の選択はサブグループレベルを著しく向上させることができることがわかった。 この分析が、臨床展開のための機械学習アプリケーションの透明性を高めるために、不確実性をどのように活用できるか、さらなる研究を促進することを願っている。
• 参考スコア（独自算出の注目度）: 3.045076250501715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As machine learning (ML) continue to be integrated into healthcare systems that affect clinical decision making, new strategies will need to be incorporated in order to effectively detect and evaluate subgroup disparities to ensure accountability and generalizability in clinical workflows. In this paper, we explore how epistemic uncertainty can be used to evaluate disparity in patient demographics (race) and data acquisition (scanner) subgroups for breast density assessment on a dataset of 108,190 mammograms collected from 33 clinical sites. Our results show that even if aggregate performance is comparable, the choice of uncertainty quantification metric can significantly the subgroup level. We hope this analysis can promote further work on how uncertainty can be leveraged to increase transparency of machine learning applications for clinical deployment.
• Abstract（参考訳）: 機械学習(ml)が臨床意思決定に影響を与える医療システムに統合され続ける中、臨床ワークフローにおける説明責任と一般化可能性を確保するために、サブグループ格差を効果的に検出し評価するために、新たな戦略を組み込む必要がある。 本稿では,33の臨床施設から収集した108,190個のマンモグラムのデータセットを用いて,乳房密度評価のための患者集団(レース)とデータ取得(スキャナ)サブグループ間の格差を評価するために,疫学的な不確実性をいかに活用するかを検討する。 その結果,集合的性能が同等であっても,不確実性定量化指標の選択は部分群レベルを著しく向上できることがわかった。 この分析が、不確実性をどのように活用し、臨床展開のための機械学習アプリケーションの透明性を高めるか、さらなる研究を促進することを願っている。

関連論文リスト

• Federated unsupervised random forest for privacy-preserving patient stratification [0.4499833362998487]
  教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。 我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。 本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
  論文  参考訳（メタデータ） (2024-01-29T12:04:14Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Auditing ICU Readmission Rates in an Clinical Database: An Analysis of Risk Factors and Clinical Outcomes [0.0]
  本研究では,30日間の読解問題における臨床データ分類のための機械学習パイプラインを提案する。 公正監査は、平等機会、予測パリティ、偽陽性率パリティ、偽陰性率パリティ基準の格差を明らかにする。 この研究は、人工知能(AI)システムのバイアスと公平性に対処するために、研究者、政策立案者、実践者の協力的努力の必要性を示唆している。
  論文  参考訳（メタデータ） (2023-04-12T17:09:38Z)
• Clinical trial site matching with improved diversity using fair policy learning [56.01170456417214]
  我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。 既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。 このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
  論文  参考訳（メタデータ） (2022-04-13T16:35:28Z)
• Distribution-Free Federated Learning with Conformal Predictions [0.0]
  フェデレートラーニングは、患者のプライバシーを維持しながら、別々の機関のデータセットを活用することを目的としている。 キャリブレーションの低さと解釈可能性の欠如は、フェデレートされたモデルの臨床実践への広範な展開を妨げる可能性がある。 本稿では,適応型コンフォメーション・フレームワークを連携学習に組み込むことにより,これらの課題に対処することを提案する。
  論文  参考訳（メタデータ） (2021-10-14T18:41:17Z)
• Fair Conformal Predictors for Applications in Medical Imaging [4.236384785644418]
  コンフォーマルな手法は、モデル不確実性を臨床的に直感的に表現する方法を提供することで、ディープラーニングモデルを補完することができる。 マンモグラフィー乳房密度と皮膚写真データセットを用いて実験を行い, コンフォメーション予測の有用性を実証した。 コンフォメーション予測器は, 人種や肌の色調などの患者層に対して, カバー範囲の等化に有効であることがわかった。
  論文  参考訳（メタデータ） (2021-09-09T16:31:10Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• An Empirical Characterization of Fair Machine Learning For Clinical Risk Prediction [7.945729033499554]
  臨床的意思決定を導くための機械学習の使用は、既存の健康格差を悪化させる可能性がある。 近年のいくつかの研究は、この問題をアルゴリズム的公正(英語版)の問題と位置づけている。 我々は,グループフェアネス違反の罰則がモデル性能とグループフェアネスの一連の尺度に与える影響を実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-20T17:46:31Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

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。