論文の概要: Rethinking Machine Learning Model Evaluation in Pathology

• arxiv url: http://arxiv.org/abs/2204.05205v1
• Date: Mon, 11 Apr 2022 15:49:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 19:19:24.864165
• Title: Rethinking Machine Learning Model Evaluation in Pathology
• Title（参考訳）: 病理における機械学習モデル評価の再考
• Authors: Syed Ashar Javed, Dinkar Juyal, Zahil Shanis, Shreya Chakraborty, Harsha Pokkalla, Aaditya Prakash
• Abstract要約: 本稿では,病理学における機械学習評価のための実践的ガイドラインを提案する。 本報告では,評価フレームワークの設定,ラベルの多様性の効果的対応,および推奨テストスイートについて述べる。 提案されたフレームワークが、ML研究者とドメインエキスパートのギャップを埋め、病理学におけるMLテクニックの広範な採用につながることを期待しています。
• 参考スコア（独自算出の注目度）: 3.0575251867964153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning has been applied to pathology images in research and clinical practice with promising outcomes. However, standard ML models often lack the rigorous evaluation required for clinical decisions. Machine learning techniques for natural images are ill-equipped to deal with pathology images that are significantly large and noisy, require expensive labeling, are hard to interpret, and are susceptible to spurious correlations. We propose a set of practical guidelines for ML evaluation in pathology that address the above concerns. The paper includes measures for setting up the evaluation framework, effectively dealing with variability in labels, and a recommended suite of tests to address issues related to domain shift, robustness, and confounding variables. We hope that the proposed framework will bridge the gap between ML researchers and domain experts, leading to wider adoption of ML techniques in pathology and improving patient outcomes.
• Abstract（参考訳）: 機械学習は研究や臨床における病理画像に適用され、有望な結果が得られた。 しかし、標準的なMLモデルは臨床診断に必要な厳格な評価を欠いていることが多い。 自然画像のための機械学習技術は、かなり大きくてノイズが多く、高価なラベル付けが必要で、解釈が難しく、スプリアス相関の影響を受けやすい病理画像を扱うには不十分である。 以上の問題に対処する病理学におけるML評価の実践的ガイドラインを提案する。 本論文は,評価フレームワークの設定,ラベルの変数の効果的処理,ドメインシフトや堅牢性,境界変数に関する問題に対処するための一連のテストを含む。 提案フレームワークがml研究者とドメインエキスパートの間のギャップを埋めることで、病理学におけるmlテクニックの広範な採用と患者の成果向上につながることを願っている。

関連論文リスト

• Stronger Baseline Models -- A Key Requirement for Aligning Machine Learning Research with Clinical Utility [0.0]
  機械学習モデルを高精細な臨床環境にデプロイしようとするとき、よく知られた障壁が存在する。 評価において,より強力なベースラインモデルを含むと,下流効果が重要となることを実証的に示す。 本稿では,MLモデルを臨床現場でより効果的に研究・展開するためのベストプラクティスを提案する。
  論文  参考訳（メタデータ） (2024-09-18T16:38:37Z)
• MedISure: Towards Assuring Machine Learning-based Medical Image Classifiers using Mixup Boundary Analysis [3.1256597361013725]
  機械学習(ML)モデルは医療技術に不可欠なものになりつつある。 従来のソフトウェア保証技術は固定コードに依存しており、MLモデルに直接適用されない。 本稿では,予測公正度の観点から画像分類器の評価を容易にするMix-Up Boundary Analysis(MUBA)を提案する。
  論文  参考訳（メタデータ） (2023-11-23T12:47:43Z)
• Data Augmentation-Based Unsupervised Domain Adaptation In Medical Imaging [0.709016563801433]
  脳MRI領域分割における堅牢な領域適応のための教師なし手法を提案する。 その結果,提案手法は高い精度を実現し,幅広い適用性を示し,各種タスクにおけるドメインシフトに対する顕著な堅牢性を示した。
  論文  参考訳（メタデータ） (2023-08-08T17:00:11Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• REET: Robustness Evaluation and Enhancement Toolbox for Computational Pathology [1.452875650827562]
  計算病理学応用のための最初のドメイン固有ロバストネス評価・拡張ツールボックス(REET)を提案する。 REETは予測モデルの堅牢性評価を可能にするアルゴリズム戦略のスイートを提供する。 REETはまた、計算病理学におけるディープラーニングパイプラインの効率的で堅牢なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-01-28T18:23:55Z)
• Demystifying Deep Learning Models for Retinal OCT Disease Classification using Explainable AI [0.6117371161379209]
  様々な深層学習技術の採用は、非常に一般的かつ効果的であり、網膜光コヒーレンス・トモグラフィー分野に実装する上でも同様に真実である。 これらの技術はブラックボックスの特徴を持ち、医療従事者がそれらの成果を完全に信頼できないようにする。 本稿では,この研究に説明可能なAIを導入したLimeの使用とともに,比較的小型で簡易な自己開発CNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-11-06T13:54:07Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• 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)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。