論文の概要: Interpretability Analysis of Deep Models for COVID-19 Detection

• arxiv url: http://arxiv.org/abs/2211.14372v1
• Date: Fri, 25 Nov 2022 20:56:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 16:44:33.303082
• Title: Interpretability Analysis of Deep Models for COVID-19 Detection
• Title（参考訳）: 新型ウイルス検出のための深部モデルの解釈可能性解析
• Authors: Daniel Peixoto Pinto da Silva, Edresson Casanova, Lucas Rafael Stefanel Gris, Arnaldo Candido Junior, Marcelo Finger, Flaviane Svartman, Beatriz Raposo, Marcus Vin\'icius Moreira Martins, Sandra Maria Alu\'isio, Larissa Cristina Berti, Jo\~ao Paulo Teixeira
• Abstract要約: 本稿では、音声における新型コロナウイルス検出のための畳み込みニューラルネットワークに基づくモデルの解釈可能性分析について述べる。 我々の最良のモデルは、94.44%の精度で検出でき、結果は、決定プロセスのスペクトログラムを好むことを示している。
• 参考スコア（独自算出の注目度）: 1.5742621967219992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: During the outbreak of COVID-19 pandemic, several research areas joined efforts to mitigate the damages caused by SARS-CoV-2. In this paper we present an interpretability analysis of a convolutional neural network based model for COVID-19 detection in audios. We investigate which features are important for model decision process, investigating spectrograms, F0, F0 standard deviation, sex and age. Following, we analyse model decisions by generating heat maps for the trained models to capture their attention during the decision process. Focusing on a explainable Inteligence Artificial approach, we show that studied models can taken unbiased decisions even in the presence of spurious data in the training set, given the adequate preprocessing steps. Our best model has 94.44% of accuracy in detection, with results indicating that models favors spectrograms for the decision process, particularly, high energy areas in the spectrogram related to prosodic domains, while F0 also leads to efficient COVID-19 detection.
• Abstract（参考訳）: 新型コロナウイルスの感染拡大を受け、いくつかの研究分野がSARS-CoV-2による被害の軽減に協力した。 本稿では,音声における新型コロナウイルス検出のための畳み込みニューラルネットワークモデルの解析可能性について述べる。 モデル決定プロセスにおいてどの特徴が重要であるか, スペクトル, F0, F0標準偏差, 性別, 年齢について検討する。 次に, 学習モデルに対する熱マップを作成し, 意思決定過程における注意を捉えることにより, モデル決定を分析する。 説明可能な知性に基づく人工的アプローチに着目し,適切な前処理ステップを考慮すれば,学習セットに散発的なデータが存在する場合でも,学習モデルが偏りのない意思決定を行えることを示す。 我々の最良のモデルでは、94.44%の精度が検出されており、決定プロセス、特にプロソディドドメインに関連する分光器の高エネルギー領域において、モデルがスペクトログラムを好んでいることを示している。

関連論文リスト

• Symptom-based Machine Learning Models for the Early Detection of COVID-19: A Narrative Review [0.0]
  機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。 本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。 また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
  論文  参考訳（メタデータ） (2023-12-08T01:41:42Z)
• Auto-Lesion Segmentation with a Novel Intensity Dark Channel Prior for COVID-19 Detection [0.24578723416255752]
  本研究は,他の肺疾患との鑑別を目的としたCTベースの放射線治療フレームワークを開発した。 画像は、新型コロナウイルス(COVID-19)、非新型コロナウイルス(non-COVID-19)、または正常の3つのクラスに分類される。 最高の性能分類モデルであるResidual Neural Network(Resnet-50)は、平均精度、精度、リコール、F1スコアが98.8%、99%、98%、98%に達した。
  論文  参考訳（メタデータ） (2023-09-22T06:09:48Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Hierarchical Analysis of Visual COVID-19 Features from Chest Radiographs [5.832030105874915]
  我々は, 放射線学的決定プロセスと整合した, 人間の解釈可能なクラス階層を用いて, 放射線学的特徴をモデル化する。 実験により、モデル故障は、ICU撮像条件と非常に相関し、特定の種類の放射線学的特徴を識別することが本質的に困難であることが示されている。
  論文  参考訳（メタデータ） (2021-07-14T11:37:28Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
  疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。 本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。 深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
  論文  参考訳（メタデータ） (2021-05-31T19:28:17Z)
• End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
  クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。 本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-07T01:13:00Z)
• Checklist for responsible deep learning modeling of medical images based on COVID-19 detection studies [2.280298858971133]
  新型コロナウイルス(COVID-19)の急激な流行と感染拡大は、現在最も重要な世界的な問題の一つだ。 短期間で、説明可能性のためのモジュールを備えたCOVID-19検出のための多くのディープニューラルネットワークモデルの開発につながった。 分析の結果,データ取得,モデル開発,説明構築の各段階で発生した多数の誤りが明らかになった。
  論文  参考訳（メタデータ） (2020-12-11T18:42:46Z)
• Intra-model Variability in COVID-19 Classification Using Chest X-ray Images [0.0]
  12の共通ディープラーニングアーキテクチャにおいて,胸部X線におけるCOVID-19検出のためのベースライン性能指標と変数の定量化を行う。 最高のパフォーマンスモデルでは、新型コロナウイルスをホールドアウトセットで検出する際の偽陰性率は20点中3点である。
  論文  参考訳（メタデータ） (2020-04-30T21:20:32Z)

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。