論文の概要: A Deep Bayesian Neural Network for Cardiac Arrhythmia Classification
with Rejection from ECG Recordings
- arxiv url: http://arxiv.org/abs/2203.00512v1
- Date: Sat, 26 Feb 2022 01:13:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 13:44:57.607151
- Title: A Deep Bayesian Neural Network for Cardiac Arrhythmia Classification
with Rejection from ECG Recordings
- Title(参考訳): 心電図記録からの拒絶を伴う心不整脈分類のためのディープベイズニューラルネットワーク
- Authors: Wenrui Zhang, Xinxin Di, Guodong Wei, Shijia Geng, Zhaoji Fu, Shenda
Hong
- Abstract要約: データ不確かさとモデル不確実性に基づいて、ECGを拒絶と分類する。
臨床医の助けを借りて, 大規模な不確実性および誤予測の結果を, 少ない不確実性で説明するためのケーススタディを実施している。
我々の研究は、ニューラルネットワークがより正確な結果を生成するのに役立ち、不確実性に関する情報を提供することで、診断プロセスにおける臨床医の助けとなる。
- 参考スコア(独自算出の注目度): 9.812244517847411
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of deep learning-based methods, automated classification
of electrocardiograms (ECGs) has recently gained much attention. Although the
effectiveness of deep neural networks has been encouraging, the lack of
information given by the outputs restricts clinicians' reexamination. If the
uncertainty estimation comes along with the classification results,
cardiologists can pay more attention to "uncertain" cases. Our study aims to
classify ECGs with rejection based on data uncertainty and model uncertainty.
We perform experiments on a real-world 12-lead ECG dataset. First, we estimate
uncertainties using the Monte Carlo dropout for each classification prediction,
based on our Bayesian neural network. Then, we accept predictions with
uncertainty under a given threshold and provide "uncertain" cases for
clinicians. Furthermore, we perform a simulation experiment using varying
thresholds. Finally, with the help of a clinician, we conduct case studies to
explain the results of large uncertainties and incorrect predictions with small
uncertainties. The results show that correct predictions are more likely to
have smaller uncertainties, and the performance on accepted predictions
improves as the accepting ratio decreases (i.e. more rejections). Case studies
also help explain why rejection can improve the performance. Our study helps
neural networks produce more accurate results and provide information on
uncertainties to better assist clinicians in the diagnosis process. It can also
enable deep-learning-based ECG interpretation in clinical implementation.
- Abstract(参考訳): 近年,深層学習法の開発により心電図の自動分類(ECG)が注目されている。
ディープニューラルネットワークの有効性は高まっているが、アウトプットによる情報不足は臨床医の再検討を制限している。
不確実性の推定が分類結果と合致すると、心臓科医は「不確実性」の症例にもっと注意を払うことができる。
本研究の目的は,データ不確かさとモデル不確実性に基づいて,ECGを不確かさで分類することである。
実世界の12リードecgデータセットで実験を行う。
まず,ベイズ型ニューラルネットワークを用いて,分類予測毎にモンテカルロドロップアウトを用いた不確かさを推定する。
そして, 不確実性のある予測を所定の閾値下で受け入れ, 臨床医に「確実な」症例を提供する。
さらに,種々の閾値を用いてシミュレーション実験を行う。
最後に,臨床医の助けを借りて,大きな不確実性と不正確な予測の結果を説明するケーススタディを行う。
その結果、正しい予測はより小さな不確実性を持つ傾向があり、受け入れられた予測の性能は、受容比が減少するにつれて向上する(つまり、より多くの拒絶)。
ケーススタディは、拒絶がパフォーマンスを改善する理由を説明するのにも役立ちます。
本研究は、ニューラルネットワークがより正確な結果を生成するのを助け、不確実性に関する情報を提供し、臨床医の診断過程を支援する。
また、臨床実装においてディープラーニングベースのECG解釈を可能にする。
関連論文リスト
- Uncertainty Quantification in Machine Learning Based Segmentation: A
Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
左室容積推定は各種心血管疾患の診断・管理に重要である。
近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。
本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T13:44:55Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳(メタデータ) (2023-03-03T16:12:59Z) - ECG-Based Electrolyte Prediction: Evaluating Regression and
Probabilistic Methods [3.518016233072556]
体内の電解質濃度の不均衡は破滅的な結果をもたらす。
心電図(Electrocardiogram、ECG)は、素早く簡単に取得できるツールである。
電解質濃度の正確な予測には回帰法が有効か検討する。
論文 参考訳(メタデータ) (2022-12-21T18:54:11Z) - Uncertainty estimations methods for a deep learning model to aid in
clinical decision-making -- a clinician's perspective [0.0]
深層学習にインスパイアされた不確実性推定技術はいくつかあるが、医療データセットに実装されているものはほとんどない。
我々は,不確かさを推定するために,ドロップアウト変動推論(DO),テスト時間拡張(TTA),共形予測,単一決定論的手法を比較した。
臨床実習にモデルを組み込む前に,複数の推定手法を評価することが重要である。
論文 参考訳(メタデータ) (2022-10-02T17:54:54Z) - Confidence Aware Neural Networks for Skin Cancer Detection [12.300911283520719]
画像からの皮膚癌検出における不確かさを定量化する3つの方法を提案する。
その結果, 予測不確実性推定手法は, リスクや誤予測を予測できることがわかった。
また、アンサンブルアプローチは推論によって不確実性を捉える上でより信頼性が高いことを示す。
論文 参考訳(メタデータ) (2021-07-19T19:21:57Z) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳(メタデータ) (2021-07-09T08:14:45Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z) - Deep Bayesian Gaussian Processes for Uncertainty Estimation in
Electronic Health Records [30.65770563934045]
我々はディープ・ベイズ学習フレームワークの特徴とディープ・カーネル・ラーニングを融合させ、より包括的な不確実性推定に両手法の強みを活用する。
我々は,不均衡なデータセットにおけるマイノリティクラスにおいて,過度に信頼された予測を行うことに対して,我々の手法はより感受性が低いことを示す。
論文 参考訳(メタデータ) (2020-03-23T10:36:52Z)
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。