論文の概要: Monte Carlo dropout increases model repeatability
- arxiv url: http://arxiv.org/abs/2111.06754v1
- Date: Fri, 12 Nov 2021 15:03:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-15 17:47:51.441072
- Title: Monte Carlo dropout increases model repeatability
- Title(参考訳): モンテカルロのドロップアウトでモデル再現性が向上
- Authors: Andreanne Lemay, Katharina Hoebel, Christopher P. Bridge, Didem
Egemen, Ana Cecilia Rodriguez, Mark Schiffman, John Peter Campbell, Jayashree
Kalpathy-Cramer
- Abstract要約: 同一患者の画像における4種類のモデルの再現性について検討した。
本稿では,3つの医療画像解析課題における2値,多値,順序,回帰モデルの性能について検討する。
- 参考スコア(独自算出の注目度): 2.725799462492061
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The integration of artificial intelligence into clinical workflows requires
reliable and robust models. Among the main features of robustness is
repeatability. Much attention is given to classification performance without
assessing the model repeatability, leading to the development of models that
turn out to be unusable in practice. In this work, we evaluate the
repeatability of four model types on images from the same patient that were
acquired during the same visit. We study the performance of binary,
multi-class, ordinal, and regression models on three medical image analysis
tasks: cervical cancer screening, breast density estimation, and retinopathy of
prematurity classification. Moreover, we assess the impact of sampling Monte
Carlo dropout predictions at test time on classification performance and
repeatability. Leveraging Monte Carlo predictions significantly increased
repeatability for all tasks on the binary, multi-class, and ordinal models
leading to an average reduction of the 95% limits of agreement by 17% points.
- Abstract(参考訳): 人工知能を臨床ワークフローに統合するには、信頼できる堅牢なモデルが必要です。
堅牢性の主な特徴は、再現性である。
モデルの繰り返し性を評価することなく、分類性能に多くの注意が払われ、実際に使用できないモデルの開発につながります。
本研究は,同訪問中に取得した同一患者の画像上での4種類のモデルの再現性を評価するものである。
子宮頸癌検診,乳房密度推定,未熟児分類網膜症という3つの医用画像解析課題において,バイナリ,マルチクラス,順序,回帰モデルの性能について検討した。
さらに,テスト時のモンテカルロドロップアウト予測が分類性能と再現性に与える影響について検討した。
モンテカルロ予測の活用は、二進数、複数クラス、順序モデル上の全てのタスクの反復可能性を大幅に向上させ、95%の合意の限界を17%まで下げた。
関連論文リスト
- The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - DeepJoint: Robust Survival Modelling Under Clinical Presence Shift [2.9745607433320926]
本稿では,生存率と平行な3つの臨床的存在次元をモデル化したリカレントニューラルネットワークを提案する。
予測タスクでは、これらの3つのプロセスの明示的なモデリングにより、最先端の予測モデルと比較して性能が向上した。
論文 参考訳(メタデータ) (2022-05-26T16:42:38Z) - Improving the repeatability of deep learning models with Monte Carlo
dropout [1.8951826092927349]
また,同訪問中に同じ患者から取得した画像に対する4種類のモデル(バイナリ,マルチクラス,順序,回帰)の再現性について検討した。
本研究では,2値,複数クラス,順序,回帰モデルの性能について,公開データセットとプライベートデータセットの4つの画像分類課題について検討した。
論文 参考訳(メタデータ) (2022-02-15T16:46:44Z) - Generalizability of Machine Learning Models: Quantitative Evaluation of
Three Methodological Pitfalls [1.3870303451896246]
いくつかの医用画像データセットを用いてランダムフォレストとディープ畳み込みニューラルネットワークモデルを実装した。
独立仮定の違反はモデル一般化可能性に大きく影響する可能性が示唆された。
不適切なパフォーマンス指標は誤った結論につながる可能性がある。
論文 参考訳(メタデータ) (2022-02-01T05:07:27Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳(メタデータ) (2021-12-01T13:56:27Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2021-06-25T08:32:45Z) - Building Deep Learning Models to Predict Mortality in ICU Patients [0.0]
そこで本研究では,SAPS IIスコアと同じ特徴を用いた深層学習モデルを提案する。
よく知られた臨床データセットである医療情報マート(Medical Information Mart for Intensive Care III)に基づいていくつかの実験が行われている。
論文 参考訳(メタデータ) (2020-12-11T16:27:04Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z) - On the model-based stochastic value gradient for continuous
reinforcement learning [50.085645237597056]
モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。
以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
論文 参考訳(メタデータ) (2020-08-28T17:58:29Z)
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。