論文の概要: Anomaly-aware multiple instance learning for rare anemia disorder classification

• arxiv url: http://arxiv.org/abs/2207.01742v1
• Date: Mon, 4 Jul 2022 22:56:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 05:22:15.434230
• Title: Anomaly-aware multiple instance learning for rare anemia disorder classification
• Title（参考訳）: まれな貧血障害分類のための異常認識型多重学習
• Authors: Salome Kazeminia and Ario Sadafi and Asya Makhro and Anna Bogdanova and Shadi Albarqouni and Carsten Marr
• Abstract要約: ディープラーニングに基づく希少貧血障害の分類は、トレーニングデータとインスタンスレベルのアノテーションの欠如によって困難である。 複数のインスタンス学習は効果的なソリューションであることを示しているが、精度が低く、説明性が制限されている。 本稿では,これらの制約に対処するために,MILの解釈可能なプーリング法を提案する。
• 参考スコア（独自算出の注目度）: 3.705427391718675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based classification of rare anemia disorders is challenged by the lack of training data and instance-level annotations. Multiple Instance Learning (MIL) has shown to be an effective solution, yet it suffers from low accuracy and limited explainability. Although the inclusion of attention mechanisms has addressed these issues, their effectiveness highly depends on the amount and diversity of cells in the training samples. Consequently, the poor machine learning performance on rare anemia disorder classification from blood samples remains unresolved. In this paper, we propose an interpretable pooling method for MIL to address these limitations. By benefiting from instance-level information of negative bags (i.e., homogeneous benign cells from healthy individuals), our approach increases the contribution of anomalous instances. We show that our strategy outperforms standard MIL classification algorithms and provides a meaningful explanation behind its decisions. Moreover, it can denote anomalous instances of rare blood diseases that are not seen during the training phase.
• Abstract（参考訳）: ディープラーニングに基づく希少貧血障害の分類は、トレーニングデータとインスタンスレベルのアノテーションの欠如によって困難である。 MIL(Multiple Instance Learning)は有効なソリューションであることがわかったが、精度が低く、説明性が制限されている。 注意機構の導入はこれらの課題に対処しているが、その効果はトレーニングサンプル中の細胞の量と多様性に大きく依存している。 したがって、血液サンプルからのまれな貧血障害分類における機械学習性能の低下は未解決である。 本稿では,これらの制約に対処するための解釈可能なMILプーリング法を提案する。 陰性袋のインスタンスレベルの情報(すなわち健康な個体の良性良性細胞)の利点により、我々のアプローチは異常な事例の寄与を増大させる。 我々の戦略は標準的なMIL分類アルゴリズムよりも優れており、その決定の背後にある意味のある説明を提供する。 さらに、トレーニング段階では見られないまれな血液疾患の異常な例を示すこともできる。

関連論文リスト

• Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification [51.95824566163554]
  我々は,標準MIL仮定と変分推論を相乗化することにより,スプリアス相関ではなく腫瘍形態学に焦点を合わせることができると主張している。 また, ハードインスタンスの識別に優れた分類境界を実現し, バッグとラベルの相互関係を緩和する。
  論文  参考訳（メタデータ） (2024-08-18T12:15:22Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
  急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。 マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。 本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
  論文  参考訳（メタデータ） (2024-03-08T15:16:15Z)
• SC-MIL: Supervised Contrastive Multiple Instance Learning for Imbalanced Classification in Pathology [2.854576370929018]
  医療画像における機械学習の問題は、しばしば稀な疾患に対処する。 病理画像では、別のレベルの不均衡があり、正にラベル付けされた全スライド画像(WSI)が与えられると、その内部のピクセルのごく一部だけが正のラベルに寄与する。 本稿では,バッグレベルの表現から最適な分類器学習へと,段階的に移行するラベル不均衡の存在下での協調学習型MILフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-23T16:28:15Z)
• Attend Who is Weak: Pruning-assisted Medical Image Localization under Sophisticated and Implicit Imbalances [102.68466217374655]
  ディープニューラルネットワーク(DNN)は、医療画像理解タスクのテキストファクト選択として急速に普及している。 本稿では,プルーニングを用いてテキスト・ハード・トゥ・ラーン(HTL)学習サンプルを自動かつ適応的に識別する手法を提案する。 また、HTLが複雑な人口動態の不均衡を捉える能力を示す興味深い統計分析も提示する。
  論文  参考訳（メタデータ） (2022-12-06T00:32:03Z)
• 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)
• Unsupervised Representation Learning Meets Pseudo-Label Supervised Self-Distillation: A New Approach to Rare Disease Classification [26.864435224276964]
  本稿では,2つの重要な新奇性を有するレア疾患分類への新しいハイブリッドアプローチを提案する。 まず、自己監督型コントラスト損失に基づく教師なし表現学習(URL)を採用する。 第二に、これらのURLを擬似ラベル管理分類と統合し、稀な疾患に関する知識を効果的に自己蒸留する。
  論文  参考訳（メタデータ） (2021-10-09T12:56:09Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Unsupervised Embedding Learning from Uncertainty Momentum Modeling [37.674449317054716]
  本研究では,与えられた未ラベル学習サンプルの不確かさを明示的にモデル化し,探索する新しい手法を提案する。 このような不確実性モデリングのモーメントを学習に利用し、アウトレーヤに取り組むのに役立ちます。
  論文  参考訳（メタデータ） (2021-07-19T14:06:19Z)
• 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)
• Variational Disentanglement for Rare Event Modeling [21.269897066024306]
  本稿では,不均衡な分類問題における希少事象から学ぶための変分非絡み合い手法を提案する。 具体的には、潜在空間に課せられる極端分布の挙動を利用して、低頻度事象から情報を抽出する。
  論文  参考訳（メタデータ） (2020-09-17T21:35:36Z)

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。