論文の概要: An interpretable imbalanced semi-supervised deep learning framework for
improving differential diagnosis of skin diseases
- arxiv url: http://arxiv.org/abs/2211.10858v1
- Date: Sun, 20 Nov 2022 03:33:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 17:52:33.621589
- Title: An interpretable imbalanced semi-supervised deep learning framework for
improving differential diagnosis of skin diseases
- Title（参考訳）: 皮膚疾患の鑑別診断を改善するための解釈可能不均衡半教師付きディープラーニングフレームワーク
- Authors: Futian Weng, Yan Xu, Yuanting Ma, Jinghan Sun, Shijun Shan, Qiyuan Li,
Jianping Zhu, Yang Wang
- Abstract要約: 本稿では,多種性インテリジェント皮膚診断フレームワーク(ISDL)の解釈可能性と非バランス半教師あり学習に関する最初の研究について述べる。
ISDLは0.979の精度,0.975の感度,0.973の特異度,0.974のマクロF1スコア,およびマルチラベル皮膚疾患分類における0.999の受信操作特性曲線(AUC)以下の領域を有望な性能で達成した。
- 参考スコア（独自算出の注目度）: 7.423454877174102
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dermatological diseases are among the most common disorders worldwide. This
paper presents the first study of the interpretability and imbalanced
semi-supervised learning of the multiclass intelligent skin diagnosis framework
(ISDL) using 58,457 skin images with 10,857 unlabeled samples. Pseudo-labelled
samples from minority classes have a higher probability at each iteration of
class-rebalancing self-training, thereby promoting the utilization of unlabeled
samples to solve the class imbalance problem. Our ISDL achieved a promising
performance with an accuracy of 0.979, sensitivity of 0.975, specificity of
0.973, macro-F1 score of 0.974 and area under the receiver operating
characteristic curve (AUC) of 0.999 for multi-label skin disease
classification. The Shapley Additive explanation (SHAP) method is combined with
our ISDL to explain how the deep learning model makes predictions. This finding
is consistent with the clinical diagnosis. We also proposed a sampling
distribution optimisation strategy to select pseudo-labelled samples in a more
effective manner using ISDLplus. Furthermore, it has the potential to relieve
the pressure placed on professional doctors, as well as help with practical
issues associated with a shortage of such doctors in rural areas.
- Abstract（参考訳）: 皮膚疾患は世界中で最も多い疾患である。
本稿では, 58,457枚の皮膚画像と10,857枚の未表示サンプルを用いて, マルチクラス皮膚診断フレームワーク(ISDL)の解釈可能性と非バランスな半教師付き学習について検討した。
マイノリティクラスからの擬似ラベルサンプルは、クラスリバランシングの繰り返し毎に高い確率を持ち、ラベルなしサンプルの利用を促進し、クラス不均衡問題を解決する。
ISDLは0.979の精度,0.975の感度,0.973の特異度,0.974のマクロF1スコア,およびマルチラベル皮膚疾患分類における0.999の受信操作特性曲線(AUC)以下の領域を有望な性能で達成した。
Shapley Additive explanation (SHAP) 法はISDLと組み合わせて,ディープラーニングモデルがどのように予測を行うかを説明する。
この発見は臨床診断と一致している。
また,isdlplusを用いて擬似ラベル標本を効果的に選択するためのサンプリング分布最適化手法を提案した。
さらに、専門医へのプレッシャーを和らげる可能性や、農村部におけるそのような医師の不足に伴う実践的な問題も解決する可能性がある。
関連論文リスト
- Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - An interpretable machine learning system for colorectal cancer diagnosis from pathology slides [2.7968867060319735]
本研究は,約10,500個のWSIを用いて,最大規模のWSI南極サンプルデータセットを用いて行った。
提案手法は, パッチベースのタイルに対して, 異形成の重症度に基づくクラスを推定する。
病理学者が導入したドメイン知識を活用するために、解釈可能な混合スーパービジョンスキームで訓練されている。
論文 参考訳（メタデータ） (2023-01-06T17:10:32Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳（メタデータ） (2022-07-23T19:17:26Z) - Dynamic Bank Learning for Semi-supervised Federated Image Diagnosis with
Class Imbalance [65.61909544178603]
クラス不均衡半教師付きFL(imFed-Semi)の実用的かつ困難な問題について検討する。
このImFed-Semi問題は、クラス比例情報を利用してクライアントトレーニングを改善する新しい動的銀行学習方式によって解決される。
25,000個のCTスライスによる頭蓋内出血診断と10,015個の皮膚内視鏡画像による皮膚病変診断の2つの公開実世界の医療データセットに対するアプローチを評価した。
論文 参考訳（メタデータ） (2022-06-27T06:51:48Z) - Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。
提案モデルでは,AUCスコアが0.896であった。
論文 参考訳（メタデータ） (2022-02-08T00:43:57Z) - On the explainability of hospitalization prediction on a large COVID-19
patient dataset [45.82374977939355]
我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。
高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
論文 参考訳（メタデータ） (2021-10-28T10:23:38Z) - A hybrid machine learning/deep learning COVID-19 severity predictive
model from CT images and clinical data [0.0]
患者を非icuとicuの2つのカテゴリーに分類するハイブリッド機械学習/深層学習モデルを開発した。
ベースラインCT画像の3次元患者レベルのCNN分類器を特徴抽出器として用いる。
本モデルは,臨床診断を医師に提供し,結果クラスに属する確率スコアと特徴のケースベースSHAPによる解釈を提供することを目的としている。
論文 参考訳（メタデータ） (2021-05-13T08:39:56Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Interpretable Survival Prediction for Colorectal Cancer using Deep
Learning [2.9084170197404844]
本研究は,第IIステージおよび第IIIステージ大腸癌の生存率を予測するための深層学習システム(DLS)を開発した。
深層学習に基づく画像類似性モデルから埋め込みをクラスタリングすることで、人間の解釈可能な組織学的特徴を生成した。
提案手法は,確率的深層学習モデルからの予測を解析し,潜在的に未知の確率的特徴を明らかにするのに有用である。
論文 参考訳（メタデータ） (2020-11-17T21:57:16Z) - Deep Learning Applied to Chest X-Rays: Exploiting and Preventing
Shortcuts [11.511323714777298]
本稿では,特定の属性を有する患者が興味を抱く可能性が極めて高い,突発性クラススキューの症例について検討する。
深層ネットは、診断の予測を学ぶ際に、性別(AUROC=0.96)や年齢(AUROC=0.90)を含む多くの患者属性を正確に識別できることを示す。
単純な転送学習アプローチは、ショートカットを防止し、優れたパフォーマンスを促進するのに驚くほど効果的である。
論文 参考訳（メタデータ） (2020-09-21T18:52:43Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。