論文の概要: Survival-oriented embeddings for improving accessibility to complex data
structures
- arxiv url: http://arxiv.org/abs/2110.11303v1
- Date: Thu, 21 Oct 2021 17:38:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 18:56:22.821027
- Title: Survival-oriented embeddings for improving accessibility to complex data
structures
- Title(参考訳): 複合データ構造へのアクセシビリティ向上のための生存指向埋め込み
- Authors: Tobias Weber, Michael Ingrisch, Matthias Fabritius, Bernd Bischl,
David R\"ugamer
- Abstract要約: 本稿では、生存分析の文脈における深層ニューラルネットワークの直接解釈を支援するハザード規則化変分オートエンコーダを提案する。
肝腫瘍患者の腹部CT検査と生存時間について検討した。
- 参考スコア(独自算出の注目度): 2.1847940931069605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning excels in the analysis of unstructured data and recent
advancements allow to extend these techniques to survival analysis. In the
context of clinical radiology, this enables, e.g., to relate unstructured
volumetric images to a risk score or a prognosis of life expectancy and support
clinical decision making. Medical applications are, however, associated with
high criticality and consequently, neither medical personnel nor patients do
usually accept black box models as reason or basis for decisions. Apart from
averseness to new technologies, this is due to missing interpretability,
transparency and accountability of many machine learning methods. We propose a
hazard-regularized variational autoencoder that supports straightforward
interpretation of deep neural architectures in the context of survival
analysis, a field highly relevant in healthcare. We apply the proposed approach
to abdominal CT scans of patients with liver tumors and their corresponding
survival times.
- Abstract(参考訳): 深層学習は非構造化データの解析に優れ、最近の進歩によりこれらの技術は生存分析にまで拡張できる。
臨床放射線学の文脈では、例えば、非構造化ボリューム画像とリスクスコアや平均寿命の予後を関連付け、臨床意思決定を支援することができる。
しかし、医療応用は高い批判に結びついているので、医療従事者も患者も通常、意思決定の理由や根拠としてブラックボックスモデルを受け入れない。
新しい技術への逆性とは別に、これは多くの機械学習手法の解釈可能性、透明性、説明責任が欠けているためである。
そこで本研究では,医療分野のサバイバル分析の文脈において,ディープニューラルアーキテクチャの分かりやすい解釈を支援する,ハザードレギュラライズド変分オートエンコーダを提案する。
肝腫瘍患者の腹部CT検査と生存時間について検討した。
関連論文リスト
- Analyzing the Effect of $k$-Space Features in MRI Classification Models [0.0]
医用イメージングに適した説明可能なAI手法を開発した。
我々は、画像領域と周波数領域の両方にわたるMRIスキャンを分析する畳み込みニューラルネットワーク(CNN)を採用している。
このアプローチは、初期のトレーニング効率を高めるだけでなく、追加機能がモデル予測にどのように影響するかの理解を深めます。
論文 参考訳(メタデータ) (2024-09-20T15:43:26Z) - Bayesian Kolmogorov Arnold Networks (Bayesian_KANs): A Probabilistic Approach to Enhance Accuracy and Interpretability [1.90365714903665]
本研究では,Bayesian Kolmogorov Arnold Networks(BKANs)と呼ばれる新しいフレームワークを提案する。
BKANはコルモゴロフ・アーノルドネットワークの表現能力とベイズ推定を組み合わせたものである。
提案手法は,予測信頼度と決定境界に関する有用な知見を提供し,予測精度の観点から従来のディープラーニングモデルより優れている。
論文 参考訳(メタデータ) (2024-08-05T10:38:34Z) - Large-scale cervical precancerous screening via AI-assisted cytology whole slide image analysis [11.148919818020495]
頸部がんは婦人科における主要な悪性腫瘍であり続けており、世界規模で女性の健康に永続的な脅威をもたらしている。
Whole Slide Image (WSI) による早期スクリーニングは、このがんの進行を予防し、生存率を向上させるために重要である。
しかし、病理学者の単体検査は、WSI内でレビューする必要がある膨大な数の細胞のために、必然的に偽陰性に悩まされる。
論文 参考訳(メタデータ) (2024-07-28T15:29:07Z) - The Limits of Perception: Analyzing Inconsistencies in Saliency Maps in XAI [0.0]
説明可能な人工知能(XAI)は、AIの意思決定プロセスの解明に不可欠である。
ブラックボックス」として機能し、その理由が曖昧でアクセスできないため、誤診のリスクが高まる。
この透明性へのシフトは、単に有益であるだけでなく、医療におけるAI統合の責任を負うための重要なステップでもある。
論文 参考訳(メタデータ) (2024-03-23T02:15:23Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳(メタデータ) (2023-10-24T02:56:05Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳(メタデータ) (2023-08-24T05:26:56Z) - 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) - 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) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳(メタデータ) (2022-04-24T07:38:37Z) - 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) - 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)
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。