論文の概要: Out-of-Distribution Detection for Medical Applications: Guidelines for Practical Evaluation

• arxiv url: http://arxiv.org/abs/2109.14885v1
• Date: Thu, 30 Sep 2021 07:05:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-02 01:56:28.791414
• Title: Out-of-Distribution Detection for Medical Applications: Guidelines for Practical Evaluation
• Title（参考訳）: 医療応用におけるアウト・オブ・ディストリビューション検出:実践的評価のためのガイドライン
• Authors: Karina Zadorozhny, Patrick Thoral, Paul Elbers, Giovanni Cin\`a
• Abstract要約: Out-of-Distribution(OOD)サンプルをリアルタイムで検出することは、医療分野における機械学習モデルのデプロイにとって重要な安全性チェックである。 実際にOOD検出方法を選択する方法には,評価ガイドラインが欠如している。 本稿では,特定の医療データセットに対して最適なOOD検出器を選択するための,一連の実践的考察と試験を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detection of Out-of-Distribution (OOD) samples in real time is a crucial safety check for deployment of machine learning models in the medical field. Despite a growing number of uncertainty quantification techniques, there is a lack of evaluation guidelines on how to select OOD detection methods in practice. This gap impedes implementation of OOD detection methods for real-world applications. Here, we propose a series of practical considerations and tests to choose the best OOD detector for a specific medical dataset. These guidelines are illustrated on a real-life use case of Electronic Health Records (EHR). Our results can serve as a guide for implementation of OOD detection methods in clinical practice, mitigating risks associated with the use of machine learning models in healthcare.
• Abstract（参考訳）: 医療分野における機械学習モデルのデプロイにおいて,OOD(Out-of-Distribution)サンプルをリアルタイムで検出することが重要な安全性チェックである。 不確実な定量化技術が増えているにもかかわらず、実際にOOD検出方法を選択する方法の評価ガイドラインが不足している。 このギャップは、現実世界のアプリケーションに対するOOD検出手法の実装を妨げる。 本稿では,特定の医療データセットに対して最適なOOD検出器を選択するための実践的考察と試験を提案する。 これらのガイドラインは、Electronic Health Records (EHR)の実際のユースケースに説明されている。 本研究は,医療における機械学習モデルの使用に伴うリスクを軽減し,臨床実践におけるOOD検出手法の実装のガイドとして機能する。

関連論文リスト

• EndoOOD: Uncertainty-aware Out-of-distribution Detection in Capsule Endoscopy Diagnosis [11.82953216903558]
  ワイヤレスカプセル内視鏡(Wireless capsule endoscopy, WCE)は、消化管(GI)の可視化を可能にする非侵襲的診断法である。 深層学習に基づく手法は、WCEデータを用いた疾患スクリーニングの有効性を示した。 既存のカプセル内視鏡分類法は、主に事前に定義されたカテゴリーに依存している。
  論文  参考訳（メタデータ） (2024-02-18T06:54:51Z)
• APP: Adaptive Prototypical Pseudo-Labeling for Few-shot OOD Detection [40.846633965439956]
  本稿では、少数のラベル付きINDデータと大量のラベル付き混合データしか存在しない、数ショットのOOD設定に焦点を当てる。 数発のOOD検出のためのアダプティブ擬似ラベル法(APP)を提案する。
  論文  参考訳（メタデータ） (2023-10-20T09:48:52Z)
• Beyond AUROC & co. for evaluating out-of-distribution detection performance [50.88341818412508]
  安全(r)AIとの関連性を考えると,OOD検出法の比較の基礎が実用的ニーズと整合しているかどうかを検討することが重要である。 我々は,IDとOODの分離が不十分なことを明示する新しい指標であるAUTC(Area Under the Threshold Curve)を提案する。
  論文  参考訳（メタデータ） (2023-06-26T12:51:32Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• Unsupervised Evaluation of Out-of-distribution Detection: A Data-centric Perspective [55.45202687256175]
  アウト・オブ・ディストリビューション(OOD)検出法は、個々のテストサンプルがイン・ディストリビューション(IND)なのかOODなのかという、試験対象の真実を持っていると仮定する。 本稿では,OOD検出における教師なし評価問題を初めて紹介する。 我々は,OOD検出性能の教師なし指標としてGscoreを計算する3つの方法を提案する。
  論文  参考訳（メタデータ） (2023-02-16T13:34:35Z)
• Plugin estimators for selective classification with out-of-distribution detection [67.28226919253214]
  現実世界の分類器は、信頼性の低いサンプルの予測を控えることの恩恵を受けることができる。 これらの設定は、選択分類(SC)とアウト・オブ・ディストリビューション(OOD)の検出文献において広範囲に研究されている。 OOD検出による選択分類に関する最近の研究は、これらの問題の統一的な研究を議論している。 本稿では,既存の手法を理論的に基礎づけ,有効かつ一般化したSCOD用プラグイン推定器を提案する。
  論文  参考訳（メタデータ） (2023-01-29T07:45:17Z)
• OpenOOD: Benchmarking Generalized Out-of-Distribution Detection [60.13300701826931]
  アウト・オブ・ディストリビューション(OOD)検出は、安全クリティカルな機械学習アプリケーションにとって不可欠である。 この分野では現在、統一的で厳格に定式化され、包括的なベンチマークが欠けている。 関連フィールドで開発された30以上のメソッドを実装したOpenOODという,統一的で構造化されたシステムを構築します。
  論文  参考訳（メタデータ） (2022-10-13T17:59:57Z)
• DIAGNOSE: Avoiding Out-of-distribution Data using Submodular Information Measures [13.492292022589918]
  類似性と相似性を共同でモデル化できる,新しいアクティブラーニングフレームワークであるDiagnoseを提案する。 本実験は, 医用画像の複数の領域にまたがる最先端AL法に対する診断の優位性を検証するものである。
  論文  参考訳（メタデータ） (2022-10-04T11:07:48Z)
• Confidence-based Out-of-Distribution Detection: A Comparative Study and Analysis [17.398553230843717]
  我々は、信頼度に基づくOOD検出のための様々な最先端手法の能力を評価する。 まず,コンピュータビジョンベンチマークを用いて複数のOOD検出手法を再現・比較する。 次に,胸部X線を用いた疾患分類の課題に対して,その能力を評価する。
  論文  参考訳（メタデータ） (2021-07-06T12:10:09Z)
• Practical Evaluation of Out-of-Distribution Detection Methods for Image Classification [22.26009759606856]
  本稿では,代表的なOOD検出手法の性能を3つのシナリオで実験的に評価する。 その結果,シナリオとデータセットの違いにより,手法間の相対的な性能が変化することがわかった。 また,OOD検出手法の選択のガイドとしても利用することができる。
  論文  参考訳（メタデータ） (2021-01-07T09:28:45Z)
• Learn what you can't learn: Regularized Ensembles for Transductive Out-of-distribution Detection [76.39067237772286]
  ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。 本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。 本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
  論文  参考訳（メタデータ） (2020-12-10T16:55:13Z)

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。