論文の概要: Fair Conformal Predictors for Applications in Medical Imaging
- arxiv url: http://arxiv.org/abs/2109.04392v1
- Date: Thu, 9 Sep 2021 16:31:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 17:32:00.776063
- Title: Fair Conformal Predictors for Applications in Medical Imaging
- Title（参考訳）: 医用画像におけるフェアコンフォメーション予測器
- Authors: Charles Lu, Andreanne Lemay, Ken Chang, Katharina Hoebel, Jayashree
Kalpathy-Cramer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.236384785644418
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has the potential to augment many components of the clinical
workflow, such as medical image interpretation. However, the translation of
these black box algorithms into clinical practice has been marred by the
relative lack of transparency compared to conventional machine learning
methods, hindering in clinician trust in the systems for critical medical
decision-making. Specifically, common deep learning approaches do not have
intuitive ways of expressing uncertainty with respect to cases that might
require further human review. Furthermore, the possibility of algorithmic bias
has caused hesitancy regarding the use of developed algorithms in clinical
settings. To these ends, we explore how conformal methods can complement deep
learning models by providing both clinically intuitive way (by means of
confidence prediction sets) of expressing model uncertainty as well as
facilitating model transparency in clinical workflows. In this paper, we
conduct a field survey with clinicians to assess clinical use-cases of
conformal predictions. Next, we conduct experiments with a mammographic breast
density and dermatology photography datasets to demonstrate the utility of
conformal predictions in "rule-in" and "rule-out" disease scenarios. Further,
we show that conformal predictors can be used to equalize coverage with respect
to patient demographics such as race and skin tone. We find that a conformal
predictions to be a promising framework with potential to increase clinical
usability and transparency for better collaboration between deep learning
algorithms and clinicians.
- Abstract（参考訳）: 深層学習は、医療画像解釈など、臨床ワークフローの多くのコンポーネントを増強する可能性がある。
しかし,これらのブラックボックスアルゴリズムの臨床的実践への翻訳は,従来の機械学習手法と比較して透明性の欠如に悩まされ,重要な医療的意思決定システムに対する臨床的信頼が損なわれている。
特に、一般的なディープラーニングアプローチは、さらなる人間のレビューを必要とするケースに関して不確実性を表現する直感的な方法を持っていない。
さらに, アルゴリズムバイアスの可能性は, 臨床現場で開発されたアルゴリズムの使用をためらう要因となっている。
そこで本研究では,モデル不確実性を表現するための(信頼度予測セットを用いて)臨床的に直感的な方法と,臨床ワークフローにおけるモデルの透明性の促進によって,コンフォーマル手法がディープラーニングモデルを補完する方法について検討する。
本稿では,コンフォメーション予測の活用事例を評価するため,臨床医とフィールド調査を行った。
次に,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,「ルールイン」および「ルールアウト」疾患シナリオにおけるコンフォメーション予測の有用性を実証する実験を行った。
さらに, 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を示す。
より深い学習アルゴリズムと臨床医との協調性を高めるために, 臨床ユーザビリティと透明性を高める可能性を持った, コンフォメーション予測が有望なフレームワークであることが確認された。
関連論文リスト
- 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) - 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) - 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) - Patient Aware Active Learning for Fine-Grained OCT Classification [12.89552245538411]
本稿では,アクティブラーニングのサンプル選択プロセスに臨床知見を取り入れたフレームワークを提案する。
医学的に解釈可能な能動学習フレームワークは, OCT分類の性能向上のために, 患者から多彩な疾患の徴候を捉えている。
論文 参考訳（メタデータ） (2022-06-23T05:47:51Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - 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) - (Un)fairness in Post-operative Complication Prediction Models [20.16366948502659]
手術前のリスク推定の実例を考察し,様々なアルゴリズムの偏見や不公平性について検討する。
当社のアプローチでは,潜在的なバイアスに関する透過的なドキュメントを作成して,ユーザが慎重にモデルを適用できるようにしています。
論文 参考訳（メタデータ） (2020-11-03T22:11:19Z) - 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) - 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) - Uncertainty estimation for classification and risk prediction on medical
tabular data [0.0]
本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。
医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
論文 参考訳（メタデータ） (2020-04-13T08:46:41Z)
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。