論文の概要: Was that so hard? Estimating human classification difficulty

• arxiv url: http://arxiv.org/abs/2203.11824v1
• Date: Tue, 22 Mar 2022 15:47:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-23 13:09:55.847013
• Title: Was that so hard? Estimating human classification difficulty
• Title（参考訳）: そんなに大変だったの? 分類困難度の推定
• Authors: Morten Rieger Hannemose, Josefine Vilsb{\o}ll Sundgaard, Niels Kvorning Ternov, Rasmus R. Paulsen, Anders Nymark Christensen
• Abstract要約: 本稿では,医師が画像で表される症例を診断することがいかに困難であるかを推定する手法を提案する。 提案手法は, 深層学習で得られた埋め込みに基づいている。 本手法を2つの異なる医学データセットに適用し,高いKendallランク相関係数を実現する。
• 参考スコア（独自算出の注目度）: 1.5524425102344783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When doctors are trained to diagnose a specific disease, they learn faster when presented with cases in order of increasing difficulty. This creates the need for automatically estimating how difficult it is for doctors to classify a given case. In this paper, we introduce methods for estimating how hard it is for a doctor to diagnose a case represented by a medical image, both when ground truth difficulties are available for training, and when they are not. Our methods are based on embeddings obtained with deep metric learning. Additionally, we introduce a practical method for obtaining ground truth human difficulty for each image case in a dataset using self-assessed certainty. We apply our methods to two different medical datasets, achieving high Kendall rank correlation coefficients, showing that we outperform existing methods by a large margin on our problem and data.
• Abstract（参考訳）: 医師が特定の疾患を診断する訓練を受けると、困難を増すためにケースを提示するとより早く学習する。 これにより、医師が特定のケースを分類するのがどれだけ難しいかを自動的に見積もる必要が生じる。 本稿では,医師が医療画像に代表される症例を,基礎的真理の難易度とそうでない場合の両方で診断することがいかに困難であるかを推定する手法を提案する。 本手法は,深層メトリック学習により得られた埋め込みに基づく。 さらに,自己評価された確信を用いてデータセット内の各画像ケースに対して,基礎的真理の人間的難易度を得るための実践的手法を提案する。 提案手法を2つの異なる医学データセットに適用し,高いKendallランク相関係数を達成し,既存の手法を問題とデータに大きな差で上回ることを示す。

関連論文リスト

• Human not in the loop: objective sample difficulty measures for Curriculum Learning [5.203119819023793]
  本稿では、勾配の分散(VoG)を用いて、サンプルの客観的な難易度を算出した新しいカリキュラム学習手法を提案する。 具体的には,VoGを指標として,分類の難易度の観点から各サンプルのランク付けを行い,高いVoGスコアは分類の難易度を示す。 以上の結果より, 2段階骨骨折分類と多段階骨骨折分類では同等, 高い成績を示した。
  論文  参考訳（メタデータ） (2023-02-02T17:25:29Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of Reinforcement Learning and Classification [0.6415701940560564]
  そこで本研究では,それぞれに強化学習課題と分類課題として定式化された症状検索と疾患診断を併用した医学的自動診断法を提案する。 我々はMedlinePlus知識ベースから抽出された新しいデータセットを作成し、より多くの病気とより完全な症状情報を含む。 実験結果から,本手法は異なるデータセット上での3つの最新手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-01T11:25:42Z)
• A Systematic Collection of Medical Image Datasets for Deep Learning [37.476768951211206]
  ディープラーニングアルゴリズムはデータ依存であり、トレーニングには大規模なデータセットを必要とする。 医用画像領域におけるデータ不足は、深層学習を医用画像解析に応用するためのボトルネックとなる。 本稿では、深層学習研究における課題について、医用画像データセットのコレクションを提供する。
  論文  参考訳（メタデータ） (2021-06-24T10:00:30Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Discriminative Cross-Modal Data Augmentation for Medical Imaging Applications [24.06277026586584]
  深層学習法は医用画像解析において大きな成功を収めており、訓練には多くの医用画像が必要である。 データプライバシの懸念と医療アノテータの有効性のため、モデルトレーニングのためにラベル付き医療画像を得るのは非常に困難であることが多い。 本稿では,画像のソースモダリティを目標モダリティに変換する画像対画像変換モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-07T15:07:00Z)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Medical-based Deep Curriculum Learning for Improved Fracture Classification [36.54112505898611]
  我々は,X線画像から大腿骨近位部骨折の分類を支援するために,カリキュラム学習に依存するいくつかの戦略を提案し,比較する。 我々の戦略は、複数の専門家の注釈における医学的決定木や矛盾といった知識から導かれる。 以上の結果から,一様戦略とランダム戦略と比較して,医療知識に基づくカリキュラムの精度は最大15%向上した。
  論文  参考訳（メタデータ） (2020-04-01T14:56:43Z)
• Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis [142.90770786804507]
  医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。 この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。 本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
  論文  参考訳（メタデータ） (2020-03-14T02:05:54Z)

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。