論文の概要: Open-Set Recognition of Breast Cancer Treatments

• arxiv url: http://arxiv.org/abs/2201.02923v1
• Date: Sun, 9 Jan 2022 04:35:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:51:25.594398
• Title: Open-Set Recognition of Breast Cancer Treatments
• Title（参考訳）: 乳癌治療のオープンセット認識
• Authors: Alexander Cao, Diego Klabjan and Yuan Luo
• Abstract要約: オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
• 参考スコア（独自算出の注目度）: 91.3247063132127
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-set recognition generalizes a classification task by classifying test samples as one of the known classes from training or "unknown." As novel cancer drug cocktails with improved treatment are continually discovered, predicting cancer treatments can naturally be formulated in terms of an open-set recognition problem. Drawbacks, due to modeling unknown samples during training, arise from straightforward implementations of prior work in healthcare open-set learning. Accordingly, we reframe the problem methodology and apply a recent existing Gaussian mixture variational autoencoder model, which achieves state-of-the-art results for image datasets, to breast cancer patient data. Not only do we obtain more accurate and robust classification results, with a 24.5% average F1 increase compared to a recent method, but we also reexamine open-set recognition in terms of deployability to a clinical setting.
• Abstract（参考訳）: オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する。 治療の改善を伴う新規ながん薬物カクテルが継続的に発見されるため、がん治療の予測は、オープンセット認識問題の観点から自然に定式化することができる。 トレーニング中に未知のサンプルをモデル化することによる欠点は、医療のオープンセット学習における事前作業の直接的な実装から生じる。 そこで我々は,問題方法論を再構成し,画像データセットの最先端結果が得られるガウス混合変分オートエンコーダモデルを乳癌患者データに適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。

関連論文リスト

• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles [11.070094685209598]
  乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。 臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
  論文  参考訳（メタデータ） (2023-03-29T08:41:22Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Oral cancer detection and interpretation: Deep multiple instance learning versus conventional deep single instance learning [2.2612425542955292]
  口腔癌(OC)診断の現在の医療基準は、口腔から採取した組織標本の組織学的検査である。 このアプローチを臨床ルーチンに導入するには、専門家の欠如や労働集約的な作業といった課題が伴う。 私たちは、患者1人あたりのラベルだけで癌を確実に検出できるAIベースの方法に興味を持っています。
  論文  参考訳（メタデータ） (2022-02-03T15:04:26Z)
• Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
  ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。 事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
  論文  参考訳（メタデータ） (2021-07-31T00:10:26Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Open-Set Recognition with Gaussian Mixture Variational Autoencoders [91.3247063132127]
  推論において、オープンセット分類は、サンプルをトレーニングから既知のクラスに分類するか、未知のクラスとして拒絶するかのどちらかである。 我々は,協調的に再構築を学習し,潜在空間におけるクラスベースのクラスタリングを行うよう,我々のモデルを訓練する。 我々のモデルは、より正確で堅牢なオープンセット分類結果を実現し、平均的なF1改善率は29.5%である。
  論文  参考訳（メタデータ） (2020-06-03T01:15:19Z)

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。