論文の概要: One Map Does Not Fit All: Evaluating Saliency Map Explanation on Multi-Modal Medical Images

• arxiv url: http://arxiv.org/abs/2107.05047v1
• Date: Sun, 11 Jul 2021 13:43:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 16:11:12.062738
• Title: One Map Does Not Fit All: Evaluating Saliency Map Explanation on Multi-Modal Medical Images
• Title（参考訳）: 1つのマップがすべてに適合しない:マルチモーダル医療画像におけるサニエンシマップ説明の評価
• Authors: Weina Jin, Xiaoxiao Li, Ghassan Hamarneh
• Abstract要約: 医用画像では、サリエンシマップが最も一般的な説明形式である。 評価の結果,ほとんどのサリエンシマップ手法は一般にモダリティの重要情報を収集するが,そのほとんどはモダリティに特有な重要な特徴を連続的かつ正確に強調することができなかった。
• 参考スコア（独自算出の注目度）: 22.672569495620895
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Being able to explain the prediction to clinical end-users is a necessity to leverage the power of AI models for clinical decision support. For medical images, saliency maps are the most common form of explanation. The maps highlight important features for AI model's prediction. Although many saliency map methods have been proposed, it is unknown how well they perform on explaining decisions on multi-modal medical images, where each modality/channel carries distinct clinical meanings of the same underlying biomedical phenomenon. Understanding such modality-dependent features is essential for clinical users' interpretation of AI decisions. To tackle this clinically important but technically ignored problem, we propose the MSFI (Modality-Specific Feature Importance) metric to examine whether saliency maps can highlight modality-specific important features. MSFI encodes the clinical requirements on modality prioritization and modality-specific feature localization. Our evaluations on 16 commonly used saliency map methods, including a clinician user study, show that although most saliency map methods captured modality importance information in general, most of them failed to highlight modality-specific important features consistently and precisely. The evaluation results guide the choices of saliency map methods and provide insights to propose new ones targeting clinical applications.
• Abstract（参考訳）: 臨床エンドユーザに予測を説明することは、臨床決定支援のためにAIモデルのパワーを活用する必要がある。 医療画像では、塩分マップが最も一般的な説明形式である。 マップはAIモデルの予測の重要な特徴を強調している。 多くのサリエンシマップ法が提案されているが、それぞれのモダリティ/チャンネルが同じ基礎となる生体医学現象の異なる臨床的意味を持つマルチモーダルな医用画像において、意思決定をいかにうまく行うかは分かっていない。 このようなモダリティに依存した特徴を理解することは、臨床ユーザーのAI決定の解釈に不可欠である。 臨床的に重要な問題であるが技術的に無視される問題に対処するため,MSFI(Modality-Specific Feature Importance)測定基準を提案し,サリエンシマップがモダリティ特有の重要な特徴を強調できるかどうかを検討する。 MSFIは、モダリティ優先順位付けおよびモダリティ特異的特徴ローカライゼーションに関する臨床要件を符号化する。 臨床用ユーザスタディを含む16のサリエンシーマップ法について評価した結果,ほとんどのサリエンシーマップ法はモダリティ重要情報を一般に捉えたものの,モダリティ固有の重要な特徴を一貫して正確に強調することはできなかった。 評価結果は,サリエンシマップ法の選択をガイドし,臨床応用をターゲットとした新たな手法を提案する。

関連論文リスト

• Few Exemplar-Based General Medical Image Segmentation via Domain-Aware Selective Adaptation [28.186785488818135]
  医用画像のセグメンテーションは、ドメインのギャップ、データモダリティの変化、ドメインの知識や専門家への依存による課題を引き起こす。 本稿では,自然画像で訓練した大規模モデルから学習した一般知識を,対応する医療領域・モダリティに適応させるための,ドメイン対応選択的適応手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T21:00:57Z)
• DSCENet: Dynamic Screening and Clinical-Enhanced Multimodal Fusion for MPNs Subtype Classification [8.95697172316912]
  スライド画像全体(WSI)と臨床情報のマルチモーダル融合に基づくMPNのサブタイプ分類のための動的スクリーニング・臨床拡張ネットワーク(DSCENet)を提案する。 AUCは7.91%,精度は16.89%向上した。
  論文  参考訳（メタデータ） (2024-07-11T04:13:58Z)
• Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
  我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。 皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
  論文  参考訳（メタデータ） (2024-05-02T18:21:25Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Morphology-Aware Interactive Keypoint Estimation [32.52024944963992]
  医学的画像に基づく診断は、しばしば解剖学的キーポイントのマニュアルアノテーションを含む。 本稿では,ユーザインタラクションシステムを通じて解剖学的キーポイントを自動的に検出し,精査する,新しいディープニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-15T09:27:14Z)
• Evaluating Explainable AI on a Multi-Modal Medical Imaging Task: Can Existing Algorithms Fulfill Clinical Requirements? [42.75635888823057]
  Heatmapは、AIモデルの予測の重要な特徴を強調する、説明の一形態である。 マルチモーダルな医用画像の意思決定において,ヒートマップがどの程度優れているかは分かっていない。 本稿では,この臨床的に重要であるが技術的に無視される問題に対処するために,MSFI(Modality-specific feature importance)尺度を提案する。
  論文  参考訳（メタデータ） (2022-03-12T17:18:16Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。