Fugu-MT 論文翻訳(概要): Incorporating Uncertainty in Learning to Defer Algorithms for Safe Computer-Aided Diagnosis

論文の概要: Incorporating Uncertainty in Learning to Defer Algorithms for Safe Computer-Aided Diagnosis

arxiv url: http://arxiv.org/abs/2108.07392v2
Date: Wed, 18 Aug 2021 23:09:21 GMT
ステータス: 処理完了
システム内更新日: 2021-08-20 11:49:46.450812
Title: Incorporating Uncertainty in Learning to Defer Algorithms for Safe Computer-Aided Diagnosis
Title（参考訳）: 安全なコンピュータ支援診断のための推論アルゴリズムの学習における不確実性の導入
Authors: Jessie Liu and Blanca Gallego and Sebastiano Barbieri
Abstract要約: 不確実性(LDU)アルゴリズム(Learning to Defer with Uncertainty:LDU)は、患者グループを特定する際の予測の不確実性について、人間の専門家によって評価される。コンピュータ支援診断の不確実性が高いと推定される患者を特定することにより、臨床環境での誤診断のリスクを軽減するためにLDUアルゴリズムを使用することができる。
参考スコア（独自算出の注目度）: 0.30763115371549776
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this study we propose the Learning to Defer with Uncertainty (LDU) algorithm, an approach which considers the model's predictive uncertainty when identifying the patient group to be evaluated by human experts. By identifying patients for whom the uncertainty of computer-aided diagnosis is estimated to be high and defers them for evaluation by human experts, the LDU algorithm can be used to mitigate the risk of erroneous computer-aided diagnoses in clinical settings.
Abstract（参考訳）: 本研究では,患者グループを特定する際のモデルの不確かさを人的専門家が評価する際の予測的不確実性を考慮したLDU(Learning to Defer with Uncertainity)アルゴリズムを提案する。コンピュータ支援診断の不確実性が高いと推定された患者を特定し、ヒトの専門家による評価を損なうことにより、臨床環境での誤診断のリスクを軽減するためにLDUアルゴリズムを用いることができる。

関連論文リスト

Integrating Expert Judgment and Algorithmic Decision Making: An Indistinguishability Framework [12.967730957018688]
予測と意思決定タスクにおける人間とAIの協調のための新しい枠組みを導入する。我々の手法は人間の判断を利用して、アルゴリズム的に区別できない入力を区別する。
論文参考訳（メタデータ） (2024-10-11T13:03:53Z)
Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文参考訳（メタデータ） (2024-03-09T13:48:20Z)
Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文参考訳（メタデータ） (2023-07-30T16:08:45Z)
Auditing for Human Expertise [12.967730957018688]
我々は、この問題を自然仮説テストとして適用できる統計的枠組みを開発する。本稿では,専門家の予測が興味ある結果から統計的に独立しているかどうかを判定する簡単な手順を提案する。我々のテストの拒絶は、人間の専門家が利用可能なデータに基づいてトレーニングされたアルゴリズムに価値を付加する可能性を示唆している。
論文参考訳（メタデータ） (2023-06-02T16:15:24Z)
A Review of Uncertainty Estimation and its Application in Medical Imaging [32.860577735207094]
不確実性推定は、深部モデルの予測とともに信頼性評価を生成する上で重要な役割を果たす。これは特に医療画像において重要であり、モデルの予測の不確実性は、関心領域の特定や、臨床医への追加情報の提供に利用することができる。
論文参考訳（メタデータ） (2023-02-16T06:54:33Z)
Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文参考訳（メタデータ） (2023-02-11T18:07:11Z)
Uncertainty estimation for out-of-distribution detection in computational histopathology [0.0]
距離認識不確実性推定法は, 一般的に用いられている手法より優れていることを示す。また,不確実性しきい値を用いた分布外サンプルの選択的予測も検討した。
論文参考訳（メタデータ） (2022-10-18T14:49:44Z)
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)
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)
Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
論文参考訳（メタデータ） (2020-02-10T00:26:43Z)
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。