論文の概要: Affective Medical Estimation and Decision Making via Visualized Learning and Deep Learning

• arxiv url: http://arxiv.org/abs/2205.04599v1
• Date: Mon, 9 May 2022 23:29:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 17:51:03.738337
• Title: Affective Medical Estimation and Decision Making via Visualized Learning and Deep Learning
• Title（参考訳）: 視覚的学習と深層学習による医療評価と意思決定
• Authors: Mohammad Eslami, Solale Tabarestani, Ehsan Adeli, Glyn Elwyn, Tobias Elze, Mengyu Wang, Nazlee Zebardast, Nassir Navab, Malek Adjouadi
• Abstract要約: 我々は、VL4ML(Visualized Learning for Machine Learning)と呼ばれる第一種評価手法を提示した。 分類,回帰,縦断予測など,5つの異なるケーススタディについて検討した。 また,100人以上の個人を対象にした調査分析を行い,ユーザからのフィードバックを可視化推定法で評価した。
• 参考スコア（独自算出の注目度）: 42.313362520378035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the advent of sophisticated machine learning (ML) techniques and the promising results they yield, especially in medical applications, where they have been investigated for different tasks to enhance the decision-making process. Since visualization is such an effective tool for human comprehension, memorization, and judgment, we have presented a first-of-its-kind estimation approach we refer to as Visualized Learning for Machine Learning (VL4ML) that not only can serve to assist physicians and clinicians in making reasoned medical decisions, but it also allows to appreciate the uncertainty visualization, which could raise incertitude in making the appropriate classification or prediction. For the proof of concept, and to demonstrate the generalized nature of this visualized estimation approach, five different case studies are examined for different types of tasks including classification, regression, and longitudinal prediction. A survey analysis with more than 100 individuals is also conducted to assess users' feedback on this visualized estimation method. The experiments and the survey demonstrate the practical merits of the VL4ML that include: (1) appreciating visually clinical/medical estimations; (2) getting closer to the patients' preferences; (3) improving doctor-patient communication, and (4) visualizing the uncertainty introduced through the black box effect of the deployed ML algorithm. All the source codes are shared via a GitHub repository.
• Abstract（参考訳）: 高度な機械学習(ML)技術の出現とそれらがもたらす有望な成果、特に医療応用において、意思決定プロセスを強化するために様々なタスクについて調査されてきた。 可視化は人間の理解、記憶、判断に有効なツールであるため、医医や臨床医が合理的な判断を下すのを助けるだけでなく、適切な分類や予測を行うのに不確実性のある可視化を評価できる、視覚的学習(Visualized Learning for Machine Learning, VL4ML)と呼んでいる。 概念の証明と、この視覚化された推定手法の一般化した性質を示すために、分類、回帰、縦方向予測を含む様々なタスクの5つの異なるケーススタディについて検討した。 また,100人以上の個人を対象にした調査分析を行い,ユーザからのフィードバックを可視化推定法で評価した。 実験および調査は,(1)視覚的臨床・医学的評価の妥当性,(2)患者の嗜好に近づくこと,(3)医師と患者のコミュニケーションの改善,(4)デプロイされたMLアルゴリズムのブラックボックス効果によって生じる不確実性を可視化することを含む,VL4MLの実用的メリットを実証した。 すべてのソースコードはGitHubリポジトリ経由で共有される。

関連論文リスト

• Integrating Clinical Knowledge into Concept Bottleneck Models [18.26357481872999]
  概念ボトルネックモデル(CBM)は最終出力を予測する前に人間の解釈可能な概念を予測する。 臨床知識の統合によるCBMの洗練, 臨床医の意思決定プロセスとの整合性の向上を提案する。 医療画像の2つのデータセット(白血球と皮膚画像)にアプローチを検証した。
  論文  参考訳（メタデータ） (2024-07-09T07:03:42Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• A Survey of the Impact of Self-Supervised Pretraining for Diagnostic Tasks with Radiological Images [71.26717896083433]
  自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。 本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
  論文  参考訳（メタデータ） (2023-09-05T19:45:09Z)
• Transfer Learning in Electronic Health Records through Clinical Concept Embedding [0.0]
  我々は,3100万人の患者から得られた包括的EHRデータに基づいて,最も顕著な疾患埋め込み技術を訓練することを目指している。 本研究は,臨床概念埋込み評価のための総合的アプローチとしては初めてである。
  論文  参考訳（メタデータ） (2021-07-27T16:22:02Z)
• 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)
• 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)
• On Interpretability of Deep Learning based Skin Lesion Classifiers using Concept Activation Vectors [6.188009802619095]
  メラノーマ, メラノーマ, セボリックケラトーシスの3種類の皮膚腫瘍の分類には, 十分に訓練された高性能ニューラルネットワークを用いている。 概念活性化ベクトル(CAV)の助けを借りて、人間の理解可能な概念をRECOD画像分類モデルにマッピングする
  論文  参考訳（メタデータ） (2020-05-05T08:27:16Z)
• A Visual Analytics System for Multi-model Comparison on Clinical Data Predictions [21.86694022749115]
  我々は,複数のモデルの予測基準を比較し,その一貫性を評価する視覚分析システムを開発した。 我々は,臨床医や研究者が異なる機械学習手法を比較し,定量的に評価する上で,本システムの有効性を実証する。
  論文  参考訳（メタデータ） (2020-02-18T20:33:04Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。