Fugu-MT 論文翻訳(概要): Developing A Visual-Interactive Interface for Electronic Health Record Labeling: An Explainable Machine Learning Approach

論文の概要: Developing A Visual-Interactive Interface for Electronic Health Record Labeling: An Explainable Machine Learning Approach

arxiv url: http://arxiv.org/abs/2209.12778v2
Date: Fri, 2 Jun 2023 05:23:35 GMT
ステータス: 処理完了
システム内更新日: 2023-06-05 20:58:29.999816
Title: Developing A Visual-Interactive Interface for Electronic Health Record Labeling: An Explainable Machine Learning Approach
Title（参考訳）: 電子カルテラベリングのためのビジュアルインタラクティブインタフェースの開発:説明可能な機械学習アプローチ
Authors: Donlapark Ponnoprat, Parichart Pattarapanitchai, Phimphaka Taninpong, Suthep Suantai, Natthanaphop Isaradech, Thiraphat Tanphiriyakun
Abstract要約: データラベリングのための新しい視覚対話型ツール Explainable Labeling Assistant (XLabel) を導入する。 XLabelは、EBM(Explainable Boosting Machine)を使用して、各データポイントのラベルを分類し、EBMの説明のヒートマップを視覚化する。実験の結果,1) XLabelはラベル付け動作の削減に役立ち,2) 説明可能な分類器としてのEMMは他の機械学習モデルと同じくらい正確であり,3) 40%以上のレコードが意図的にラベル付けされている場合でも,EBMは90%以上の正しいラベルをリコールできることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Labeling a large number of electronic health records is expensive and time consuming, and having a labeling assistant tool can significantly reduce medical experts' workload. Nevertheless, to gain the experts' trust, the tool must be able to explain the reasons behind its outputs. Motivated by this, we introduce Explainable Labeling Assistant (XLabel) a new visual-interactive tool for data labeling. At a high level, XLabel uses Explainable Boosting Machine (EBM) to classify the labels of each data point and visualizes heatmaps of EBM's explanations. As a case study, we use XLabel to help medical experts label electronic health records with four common non-communicable diseases (NCDs). Our experiments show that 1) XLabel helps reduce the number of labeling actions, 2) EBM as an explainable classifier is as accurate as other well-known machine learning models outperforms a rule-based model used by NCD experts, and 3) even when more than 40% of the records were intentionally mislabeled, EBM could recall the correct labels of more than 90% of these records.
Abstract（参考訳）: 大量の電子健康記録のラベル付けは高価で時間がかかり、ラベル付けアシスタントツールを持つと医療専門家の作業負荷を大幅に削減できる。それでも専門家の信頼を得るには、ツールがアウトプットの背後にある理由を説明する必要がある。そこで我々は,データラベリングのための新しい視覚対話型ツール Explainable Labeling Assistant (XLabel) を紹介した。高いレベルでは、XLabelはExplainable Boosting Machine (EBM)を使用して各データポイントのラベルを分類し、ESMの説明のヒートマップを視覚化する。ケーススタディでは、XLabelを用いて、医療専門家が電子健康記録に4つの共通非通信性疾患(NCD)をラベル付けするのを支援する。私たちの実験は 1) XLabelはラベル付けアクションの数を減らすのに役立つ。 2)説明可能な分類器としてのEMMは、他のよく知られた機械学習モデルと同じくらい正確であり、NCDの専門家が使用するルールベースモデルよりも優れている。 3)40%以上のレコードが意図的に誤記された場合でも、ebmは90%以上のレコードの正しいラベルを思い出すことができた。

関連論文リスト

Automatic Labels are as Effective as Manual Labels in Biomedical Images Classification with Deep Learning [32.71326861917332]
特定のタスクを実行するためにディープラーニングアルゴリズムを訓練する主な制限の1つは、医療専門家がデータをラベル付けする必要があることである。本稿では,全スライド画像(WSI)の分類に基づくDLモデルをトレーニングするために,自動ラベルをどのような状況で適用できるかを検討することを目的とする。セマンティック・ナレッジ・エクストラクタ・ツール(SKET)アルゴリズムを用いて自動ラベルを生成すると、手動ラベルで得られたものと同等の性能が得られる。
論文参考訳（メタデータ） (2024-06-20T14:20:50Z)
Auto-Generating Weak Labels for Real & Synthetic Data to Improve Label-Scarce Medical Image Segmentation [5.368714143438489]
本稿では,Segment Anything Model (SAM) や医療用代替MedSAMなどの基礎モデルを活用することで,医療用画像ラベリングのハードルを克服する新しいアプローチを提案する。我々のパイプラインは、ラベルなしの医療画像に対して弱いラベルを生成し、その後、ラベルのスカースデータセットを増やすためにそれを使用することができる。この自動化により、MedSAMのマニュアルプロンプトステップが不要になり、実画像と合成画像の両方のラベルを生成するための合理化プロセスが作成される。
論文参考訳（メタデータ） (2024-04-25T20:47:08Z)
Automated Labeling of German Chest X-Ray Radiology Reports using Deep Learning [50.591267188664666]
本稿では,ルールベースのドイツ語CheXpertモデルによってラベル付けされたレポートに基づいて,ディープラーニングに基づくCheXpertラベル予測モデルを提案する。その結果,3つのタスクすべてにおいて,ルールベースモデルを大幅に上回ったアプローチの有効性が示された。
論文参考訳（メタデータ） (2023-06-09T16:08:35Z)
Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
論文参考訳（メタデータ） (2023-05-22T04:50:28Z)
Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文参考訳（メタデータ） (2022-06-01T09:20:30Z)
OneLabeler: A Flexible System for Building Data Labeling Tools [48.15772261649084]
OneLabelerは、データラベリングツールを構築するための共通ソフトウェアモジュールの構成と構成をサポートする。開発者とのユーザスタディは、OneLabelerが多様なデータラベリングツールの効率的な構築をサポートする証拠を提供する。
論文参考訳（メタデータ） (2022-03-27T07:22:36Z)
Label-Assemble: Leveraging Multiple Datasets with Partial Labels [68.46767639240564]
Label-Assemble”は、公開データセットのアセンブリから部分的なラベルの可能性を最大限に活用することを目的としている。陰例からの学習は,コンピュータ支援型疾患の診断と検出の双方を促進することが判明した。
論文参考訳（メタデータ） (2021-09-25T02:48:17Z)
ECLARE: Extreme Classification with Label Graph Correlations [13.429436351837653]
本稿では,ラベルテキストだけでなくラベル相関も組み込んだスケーラブルなディープラーニングアーキテクチャECLAREを提案し,数ミリ秒以内の正確なリアルタイム予測を実現する。 ECLAREは、Bing検索エンジンからソースされた関連製品レコメンデーションタスク用のプロプライエタリデータセットと同様に、公開可能なベンチマークデータセットの両方で2～14%精度の予測を提供する。
論文参考訳（メタデータ） (2021-07-31T15:13:13Z)
A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
論文参考訳（メタデータ） (2020-12-03T05:41:44Z)
Paying Per-label Attention for Multi-label Extraction from Radiology Reports [1.9601378412924186]
脳卒中患者の頭部CT像から構造化ラベルを自動抽出する。神経疾患に関する放射線学的所見と臨床的印象に対応する31のラベル群を提案する。放射線学者の報告によると、我々は単一のモデルで多くのラベルをしっかりと抽出することができる。
論文参考訳（メタデータ） (2020-07-31T16:11:09Z)
CheXbert: Combining Automatic Labelers and Expert Annotations for Accurate Radiology Report Labeling Using BERT [6.458158112222296]
医用画像レポートラベリングにおけるBERTに基づくアプローチを提案する。本稿では,ルールベースラベルのアノテーションに基づいてトレーニングしたBERTモデルの優れた性能を示す。我々の最終モデルであるCheXbertは、統計的に有意な、以前の最高のルールベースのラベルよりも優れていることが分かりました。
論文参考訳（メタデータ） (2020-04-20T09:46:40Z)

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。