論文の概要: Interpretable and intervenable ultrasonography-based machine learning
models for pediatric appendicitis
- arxiv url: http://arxiv.org/abs/2302.14460v3
- Date: Fri, 24 Nov 2023 15:25:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 04:27:39.435515
- Title: Interpretable and intervenable ultrasonography-based machine learning
models for pediatric appendicitis
- Title(参考訳): 小児虫垂炎に対する経時的およびインターベンタブル超音波を用いた機械学習モデル
- Authors: Ri\v{c}ards Marcinkevi\v{c}s, Patricia Reis Wolfertstetter, Ugne
Klimiene, Kieran Chin-Cheong, Alyssia Paschke, Julia Zerres, Markus
Denzinger, David Niederberger, Sven Wellmann, Ece Ozkan, Christian Knorr,
Julia E. Vogt
- Abstract要約: 虫垂炎は小児腹部手術の最も多い原因の一つである。
虫垂炎に対する以前の意思決定支援システムは、臨床、検査、スコアリング、およびCTデータに焦点を当ててきた。
超音波画像を用いた虫垂炎の診断・管理・重症度予測のための解釈可能な機械学習モデルを提案する。
- 参考スコア(独自算出の注目度): 8.083060080133842
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Appendicitis is among the most frequent reasons for pediatric abdominal
surgeries. Previous decision support systems for appendicitis have focused on
clinical, laboratory, scoring, and computed tomography data and have ignored
abdominal ultrasound, despite its noninvasive nature and widespread
availability. In this work, we present interpretable machine learning models
for predicting the diagnosis, management and severity of suspected appendicitis
using ultrasound images. Our approach utilizes concept bottleneck models (CBM)
that facilitate interpretation and interaction with high-level concepts
understandable to clinicians. Furthermore, we extend CBMs to prediction
problems with multiple views and incomplete concept sets. Our models were
trained on a dataset comprising 579 pediatric patients with 1709 ultrasound
images accompanied by clinical and laboratory data. Results show that our
proposed method enables clinicians to utilize a human-understandable and
intervenable predictive model without compromising performance or requiring
time-consuming image annotation when deployed. For predicting the diagnosis,
the extended multiview CBM attained an AUROC of 0.80 and an AUPR of 0.92,
performing comparably to similar black-box neural networks trained and tested
on the same dataset.
- Abstract(参考訳): 虫垂炎は小児腹部手術の最も多い原因の一つである。
虫垂炎の診断支援システムは, 臨床, 検査, 採点, CTデータに重点を置いており, 非侵襲性, 広範囲性にもかかわらず腹部超音波検査を無視している。
本稿では,超音波画像を用いた虫垂炎の診断,管理,重症度を予測するための解釈可能な機械学習モデルを提案する。
提案手法は,臨床医が理解可能な高レベル概念の解釈と相互作用を容易にする概念ボトルネックモデル(CBM)を利用する。
さらに,CBMを複数のビューや不完全な概念セットによる予測問題に拡張する。
対象は小児579例, 超音波画像1709例, 臨床・臨床データ, 検査データであった。
提案手法により, 臨床医は, 性能を損なうことなく, かつ, デプロイ時に時間を要する画像アノテーションを必要とせずに, 人体で理解可能な予測モデルを利用できることを示す。
診断を予測するため、拡張マルチビューCBMはAUROCが0.80、AUPRが0.92に達し、同じデータセットでトレーニングおよびテストされた類似のブラックボックスニューラルネットワークと互換性がある。
関連論文リスト
- Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - Graph-based multimodal multi-lesion DLBCL treatment response prediction
from PET images [0.0]
診断後, 標準フロントライン治療における非対応患者数(30~40%)は依然として顕著である。
本研究は,適応治療を必要とする高リスク患者を特定するためのコンピュータ支援アプローチを開発することを目的とする。
複数の病変からのイメージング情報を組み合わせた最近のグラフニューラルネットワークに基づく手法を提案する。
論文 参考訳(メタデータ) (2023-10-25T08:16:45Z) - Robust and Interpretable Medical Image Classifiers via Concept
Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。
具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文 参考訳(メタデータ) (2023-10-04T21:57:09Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳(メタデータ) (2023-08-24T05:26:56Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳(メタデータ) (2023-06-20T22:21:34Z) - This Patient Looks Like That Patient: Prototypical Networks for
Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。
本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。
利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-16T10:12:07Z) - An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using
Multimodal Data [0.0]
頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。
提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
論文 参考訳(メタデータ) (2022-02-25T07:50:59Z) - Multi-task fusion for improving mammography screening data
classification [3.7683182861690843]
まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。
次に、標準モデルの集合戦略とは対照的に、その融合について検討する。
我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
論文 参考訳(メタデータ) (2021-12-01T13:56:27Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳(メタデータ) (2021-10-05T19:14:46Z) - 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) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z)
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。