論文の概要: LifeLonger: A Benchmark for Continual Disease Classification
- arxiv url: http://arxiv.org/abs/2204.05737v1
- Date: Tue, 12 Apr 2022 12:25:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-13 13:08:12.727058
- Title: LifeLonger: A Benchmark for Continual Disease Classification
- Title（参考訳）: LifeLonger: 継続的な疾患分類のためのベンチマーク
- Authors: Mohammad Mahdi Derakhshani, Ivona Najdenkoska, Tom van Sonsbeek,
Xiantong Zhen, Dwarikanath Mahapatra, Marcel Worring and Cees G. M. Snoek
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 59.13735398630546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have shown a great effectiveness in recognition of
findings in medical images. However, they cannot handle the ever-changing
clinical environment, bringing newly annotated medical data from different
sources. To exploit the incoming streams of data, these models would benefit
largely from sequentially learning from new samples, without forgetting the
previously obtained knowledge. In this paper we introduce LifeLonger, a
benchmark for continual disease classification on the MedMNIST collection, by
applying existing state-of-the-art continual learning methods. In particular,
we consider three continual learning scenarios, namely, task and class
incremental learning and the newly defined cross-domain incremental learning.
Task and class incremental learning of diseases address the issue of
classifying new samples without re-training the models from scratch, while
cross-domain incremental learning addresses the issue of dealing with datasets
originating from different institutions while retaining the previously obtained
knowledge. We perform a thorough analysis of the performance and examine how
the well-known challenges of continual learning, such as the catastrophic
forgetting exhibit themselves in this setting. The encouraging results
demonstrate that continual learning has a major potential to advance disease
classification and to produce a more robust and efficient learning framework
for clinical settings. The code repository, data partitions and baseline
results for the complete benchmark will be made publicly available.
- Abstract（参考訳）: 深層学習モデルは医療画像における発見の認識において大きな効果を示した。
しかし、絶え間なく変化する臨床環境には対処できず、異なるソースから新たに注釈された医療データをもたらす。
入力されるデータストリームを利用するには、これらのモデルは、事前に得られた知識を忘れることなく、新しいサンプルから順次学習することによるメリットが大きい。
本稿では,現在最先端の連続学習手法を応用し,メドムニストコレクションにおける連続病分類の指標であるlifelongerを提案する。
特に,タスクとクラスによるインクリメンタル学習と,新たに定義されたクロスドメインインクリメンタル学習という,3つの連続学習シナリオを検討する。
タスクとクラスによる病気のインクリメンタル学習は、モデルをゼロから再トレーニングせずに新しいサンプルを分類する問題に対処する一方、クロスドメインインクリメンタル学習は、前もって得られた知識を保持しながら、異なる機関に由来するデータセットを扱う問題に対処する。
性能の徹底的な分析を行い,大惨事の忘れなど,継続的な学習の周知の課題がどのように現れるかを検討する。
その結果, 連続学習は疾患分類を前進させ, より堅牢で効率的な臨床学習フレームワークを構築する上で大きな可能性を秘めている。
完全なベンチマークのためのコードリポジトリ、データパーティション、ベースライン結果が公開される予定だ。
関連論文リスト
- From Uncertainty to Clarity: Uncertainty-Guided Class-Incremental Learning for Limited Biomedical Samples via Semantic Expansion [0.0]
バイオメディカル分野における限られたサンプルの下でのクラスインクリメンタル学習手法を提案する。
提案手法は,最先端の手法を最大53.54%の精度で上回り,最適性能を実現する。
論文 参考訳（メタデータ） (2024-09-12T05:22:45Z) - Continual Learning in Medical Image Analysis: A Comprehensive Review of Recent Advancements and Future Prospects [5.417947115749931]
継続的学習は、統一的で持続可能な深層モデルを開発するための重要なアプローチとして現れてきた。
本稿では,医用画像解析に応用した継続的学習技術の現状を概観する。
論文 参考訳（メタデータ） (2023-12-28T13:16:03Z) - On the Importance of Step-wise Embeddings for Heterogeneous Clinical
Time-Series [1.3285222309805063]
近年のシークエンス・モデリングの深層学習の進歩は、電子健康記録から時系列を扱うタスクに完全に移行していない。
特に、ICU(Intensive Care Unit)に関わる問題では、木に基づく手法で表形式でシーケンス分類に取り組むことが現状である。
論文 参考訳（メタデータ） (2023-11-15T12:18:15Z) - Class-Incremental Continual Learning for General Purpose Healthcare
Models [3.768737590492549]
継続的な学習は、以前のタスクのパフォーマンス低下なしに、新しいタスクを学習することを可能にする。
単一モデルは、異なる専門分野から新しいタスクを逐次学習し、単純メソッドに匹敵するパフォーマンスを達成することができる。
論文 参考訳（メタデータ） (2023-11-07T19:17:59Z) - 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) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
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。
論文 参考訳（メタデータ） (2022-01-09T04:35:55Z) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。