論文の概要: Reproducibility of the Methods in Medical Imaging with Deep Learning
- arxiv url: http://arxiv.org/abs/2210.11146v1
- Date: Thu, 20 Oct 2022 10:23:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 14:24:47.485026
- Title: Reproducibility of the Methods in Medical Imaging with Deep Learning
- Title(参考訳): 深層学習による医用画像の再現性
- Authors: Attila Simko, Anders Garpebring, Joakim Jonsson, Tufve Nyholm, Tommy
L\"ofstedt
- Abstract要約: The Medical Imaging with Deep Learning (MIDL) conference has done this direction by advocateing open access。
我々は、2018年から2022年にかけて、確立されたガイドラインと公開リポジトリの品質を用いて、受理された全論文をMIDLに提出した。
医用画像アプリケーションのための機械学習関連研究ガイドラインのセットを提案し, 今後のMIDLへの提出に向けて特別に調整した。
- 参考スコア(独自算出の注目度): 0.8399688944263843
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Concerns about the reproducibility of deep learning research are more
prominent than ever, with no clear solution in sight. The relevance of machine
learning research can only be improved if we also employ empirical rigor that
incorporates reproducibility guidelines, especially so in the medical imaging
field. The Medical Imaging with Deep Learning (MIDL) conference has made
advancements in this direction by advocating open access, and recently also
recommending authors to make their code public - both aspects being adopted by
the majority of the conference submissions. This helps the reproducibility of
the methods, however, there is currently little or no support for further
evaluation of these supplementary material, making them vulnerable to poor
quality, which affects the impact of the entire submission. We have evaluated
all accepted full paper submissions to MIDL between 2018 and 2022 using
established, but slightly adjusted guidelines on reproducibility and the
quality of the public repositories. The evaluations show that publishing
repositories and using public datasets are becoming more popular, which helps
traceability, but the quality of the repositories has not improved over the
years, leaving room for improvement in every aspect of designing repositories.
Merely 22% of all submissions contain a repository that were deemed repeatable
using our evaluations. From the commonly encountered issues during the
evaluations, we propose a set of guidelines for machine learning-related
research for medical imaging applications, adjusted specifically for future
submissions to MIDL.
- Abstract(参考訳): ディープラーニング研究の再現性に関する懸念は、これまで以上に顕著であり、明確な解決策はない。
特に医用画像の分野では,再現性ガイドラインを取り入れた経験的厳密さを応用すれば,機械学習研究の妥当性は向上できる。
Medical Imaging with Deep Learning (MIDL)カンファレンスは、オープンアクセスを提唱することで、この方向に前進し、最近は、著者にコードを公開することを推奨している。
これにより再現性が向上するが、現時点ではこれらの補足材料のさらなる評価への支持はほとんどないし全くなく、品質の低下に弱くなり、提出全体の影響に影響を及ぼす。
我々は,2018年から2022年までのmidlへの完全提出を,再現性と公開リポジトリの品質に関する若干のガイドラインを用いて評価した。
評価の結果、リポジトリの公開や公開データセットの利用が普及し、トレーサビリティが向上しているが、リポジトリの品質は長年にわたって改善されておらず、リポジトリ設計のあらゆる面で改善の余地が残されている。
すべての投稿の22%に、私たちの評価で繰り返し可能なレポジトリが含まれています。
評価中の課題から,医療画像用機械学習関連研究のガイドラインのセットを提案し,今後のMIDLへの提出に特化して調整した。
関連論文リスト
- Comprehensive and Practical Evaluation of Retrieval-Augmented Generation Systems for Medical Question Answering [70.44269982045415]
Retrieval-augmented Generation (RAG) は,大規模言語モデル (LLM) の性能向上のための有望なアプローチとして登場した。
医療用QAデータセットに様々な補助的要素を提供するMedRGB(MedRGB)を導入する。
実験結果から,検索した文書のノイズや誤情報の処理能力に限界があることが判明した。
論文 参考訳(メタデータ) (2024-11-14T06:19:18Z) - GMAI-MMBench: A Comprehensive Multimodal Evaluation Benchmark Towards General Medical AI [67.09501109871351]
LVLM(Large Vision-Language Model)は、画像、テキスト、生理学的信号などの多様なデータタイプを扱うことができる。
GMAI-MMBenchは、よく分類されたデータ構造と、これまででもっとも包括的な一般医療用AIベンチマークである。
38の医療画像モダリティ、18の臨床関連タスク、18の部門、視覚質問回答(VQA)フォーマットの4つの知覚的粒度からなる284のデータセットで構成されている。
論文 参考訳(メタデータ) (2024-08-06T17:59:21Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳(メタデータ) (2024-06-05T13:40:07Z) - A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis [48.84443450990355]
ディープネットワークは、医学的なスキャンに適用すると、例外のない状況で失敗することが多いため、自然画像の解析において広く成功している。
胸部X線や皮膚病変画像の文脈において、異なる病院から採取したデータや、性別、人種などの人口統計学的変数によって構築されたデータなど、ドメインシフトに対するモデル感度に焦点をあてる。
医学教育からインスピレーションを得て,自然言語で伝達される明示的な医学知識を基盤としたディープネットワークを提案する。
論文 参考訳(メタデータ) (2024-05-23T17:55:02Z) - How much can change in a year? Revisiting Evaluation in Multi-Agent
Reinforcement Learning [4.653136482223517]
我々は、MARLの出版物にメタデータを組み込むことにより、これまで公表されていた評価手法のデータベースを拡張した。
この更新されたデータベースから抽出した結果と,研究で確認された傾向を比較した。
SMAC-v1は,SMAC-v2に継続することで,新たなアルゴリズム開発が促進される。
論文 参考訳(メタデータ) (2023-12-13T19:06:34Z) - An Evaluation of Non-Contrastive Self-Supervised Learning for Federated
Medical Image Analysis [2.458658951393896]
医用画像解析のためのフェデレートラーニング(FL)シミュレーションにおいて,非コントラスト型自己教師学習(SSL)アルゴリズムの適用性を体系的に検討した。
我々は,非I.d.データ条件下で選択した4つの非競合アルゴリズムのパフォーマンスを,異なる数のクライアントでベンチマークした。
6つの標準化された医用画像データセット上で,これらの手法の全体的評価を行う。
論文 参考訳(メタデータ) (2023-03-09T19:31:14Z) - A Survey of Learning-based Automated Program Repair [12.09968472868107]
自動プログラム修復(APR)は、ソフトウェアバグを自動修正することを目的としており、ソフトウェア開発とメンテナンスにおいて重要な役割を果たす。
近年のディープラーニング(DL)の進歩により、ニューラルネットワークを活用して大規模なオープンソースコードリポジトリからバグフィックスパターンを学ぶためのAPR技術が増えている。
本稿では,学習型APRコミュニティにおける最先端研究を要約するために,体系的な調査を行う。
論文 参考訳(メタデータ) (2023-01-09T11:08:15Z) - Deconstructing Self-Supervised Monocular Reconstruction: The Design
Decisions that Matter [63.5550818034739]
本稿では,自己教師付き単分子深度推定への最先端の貢献を評価するための枠組みを提案する。
事前トレーニング、バックボーン、アーキテクチャ設計の選択、損失関数が含まれる。
我々は16の最先端コントリビューションを再実装し、検証し、再評価し、新しいデータセットを導入します。
論文 参考訳(メタデータ) (2022-08-02T14:38:53Z) - Evaluating the Predictive Performance of Positive-Unlabelled
Classifiers: a brief critical review and practical recommendations for
improvement [77.34726150561087]
Positive-Unlabelled (PU) 学習は機械学習の領域として成長している。
本稿では、PU分類器を提案する51の論文において、主要なPU学習評価手法と予測精度の選択について批判的にレビューする。
論文 参考訳(メタデータ) (2022-06-06T08:31:49Z) - How I failed machine learning in medical imaging -- shortcomings and
recommendations [0.9137554315375919]
あらゆるステップにおいて、潜在的なバイアスが忍び込みます。
これらの問題に対処するイニシアチブはすでに始まっています
今後、これらの問題を解決する方法については、幅広い推奨事項を提供しています。
論文 参考訳(メタデータ) (2021-03-18T14:46:35Z) - Applications of Deep Learning in Fundus Images: A Review [27.70388285366776]
眼疾患早期検診における眼底画像の使用は臨床的に非常に重要である。
ディープラーニングは、関連アプリケーションでますます普及しています。
論文 参考訳(メタデータ) (2021-01-25T02:39:40Z)
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。