論文の概要: Simple and Efficient Confidence Score for Grading Whole Slide Images
- arxiv url: http://arxiv.org/abs/2303.04604v1
- Date: Wed, 8 Mar 2023 14:15:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-09 13:45:58.471101
- Title: Simple and Efficient Confidence Score for Grading Whole Slide Images
- Title（参考訳）: スライド画像全体の評価のための簡易かつ効率的な信頼度スコア
- Authors: M\'elanie Lubrano, Ya\"elle Bellahsen-Harrar, Rutger Fick, C\'ecile
Badoual, Thomas Walter
- Abstract要約: 学習課題におけるAIモデルの信頼度を測定するための新しいスコアを提案する。
我々の信頼スコアは、特に順序の出力変数に適応しており、汎用的で、追加のトレーニングや追加の推論を必要としない。
このスコアは, 誤予測されたスライドを正確に識別し, 高い信頼度判定の精度が低信頼度判定の精度よりも有意に高いことを示す。
- 参考スコア（独自算出の注目度）: 0.7349727826230862
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Grading precancerous lesions on whole slide images is a challenging task: the
continuous space of morphological phenotypes makes clear-cut decisions between
different grades often difficult, leading to low inter- and intra-rater
agreements. More and more Artificial Intelligence (AI) algorithms are developed
to help pathologists perform and standardize their diagnosis. However, those
models can render their prediction without consideration of the ambiguity of
the classes and can fail without notice which prevent their wider acceptance in
a clinical context. In this paper, we propose a new score to measure the
confidence of AI models in grading tasks. Our confidence score is specifically
adapted to ordinal output variables, is versatile and does not require extra
training or additional inferences nor particular architecture changes.
Comparison to other popular techniques such as Monte Carlo Dropout and deep
ensembles shows that our method provides state-of-the art results, while being
simpler, more versatile and less computationally intensive. The score is also
easily interpretable and consistent with real life hesitations of pathologists.
We show that the score is capable of accurately identifying mispredicted slides
and that accuracy for high confidence decisions is significantly higher than
for low-confidence decisions (gap in AUC of 17.1% on the test set). We believe
that the proposed confidence score could be leveraged by pathologists directly
in their workflow and assist them on difficult tasks such as grading
precancerous lesions.
- Abstract（参考訳）: 形態的表現型の連続的な空間は、異なるグレード間の明確な決定をしばしば困難にし、層間および層内合意の低さにつながる。
より多くの人工知能(AI)アルゴリズムが開発され、病理学者が診断を実行し標準化するのに役立つ。
しかし,これらのモデルでは,クラス間のあいまいさを考慮せずに予測を行うことができ,臨床的文脈において広く受け入れられることを防ぐことなく失敗する。
本稿では,学習課題におけるAIモデルの信頼性を評価するための新しいスコアを提案する。
私たちの信頼スコアは、順序付き出力変数に特化しており、汎用的で、追加のトレーニングや追加の推論や特定のアーキテクチャの変更を必要としない。
モンテカルロドロップアウトやディープアンサンブルといった他の一般的な手法と比較すると、この手法はよりシンプルで汎用性が高く、計算量も少ないが最先端の技術結果を提供する。
このスコアは容易に解釈でき、病理学者の現実の迷信とも一致している。
評価結果から,誤判定されたスライドを正確に識別でき,信頼度の高い判断の精度は,信頼度の低い判断(aucでは17.1%)よりも有意に高いことが示された。
提案する信頼度スコアは, 病理医が直接ワークフローで活用し, 先天性病変の診断などの困難な作業を支援することができると信じている。
関連論文リスト
- Improving Robustness and Reliability in Medical Image Classification with Latent-Guided Diffusion and Nested-Ensembles [4.249986624493547]
深層学習は高い予測精度と不確実性推定を実現することが示されている。
テスト時の入力画像のゆがみは、パフォーマンスを著しく低下させる可能性がある。
LaDiNEは,入力画像から情報および不変潜伏変数を推定できる,新規で堅牢な確率的手法である。
論文 参考訳（メタデータ） (2023-10-24T15:53:07Z) - 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) - Can ultrasound confidence maps predict sonographers' labeling
variability? [38.75943978900532]
本研究は,ソノグラフィーの不確実性を考慮するために,超音波セグメンテーションネットワークを誘導する新しい手法を提案する。
信頼性マップの低値と専門家のラベルの不確実性との間には相関関係があることが示されている。
以上の結果から,超音波CMではDiceスコアが増加し,HusdorffおよびAverage Surface Distanceが向上し,孤立画素の予測回数が減少した。
論文 参考訳（メタデータ） (2023-08-18T10:07:17Z) - Paced-Curriculum Distillation with Prediction and Label Uncertainty for
Image Segmentation [25.20877071896899]
カリキュラム学習では、まず簡単なサンプルをトレーニングし、徐々に困難を増すことが考えられている。
自己ペースト学習では、ペアリング関数はトレーニングの進捗に適応する速度を定義する。
医用画像セグメンテーションのための新しいペースドキュリキュラム蒸留法(PCD)を開発した。
論文 参考訳（メタデータ） (2023-02-02T12:24:14Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Towards Semi-Supervised Deep Facial Expression Recognition with An
Adaptive Confidence Margin [92.76372026435858]
Ada-CM(Adaptive Confidence Margin)を学習し、ラベルのないすべてのデータを半教師付き深層表情認識に活用する。
すべてのラベルなしサンプルは、信頼スコアと適応的に学習された信頼マージンを比較して、2つのサブセットに分割される。
提案手法は最先端の性能,特に半教師付きベースラインを超越した性能を実現する。
論文 参考訳（メタデータ） (2022-03-23T11:43:29Z) - Performance or Trust? Why Not Both. Deep AUC Maximization with
Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。
本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
論文 参考訳（メタデータ） (2021-12-14T21:16:52Z) - Using Soft Labels to Model Uncertainty in Medical Image Segmentation [0.0]
複数の医師のアノテーションからソフトラベルを得るための簡易な手法を提案する。
各画像に対して,複数の信頼度でしきい値に閾値を設定できる1つのよく校正された出力を生成する。
提案手法をMICCAI 2021 QUBIQチャレンジで評価し,複数の医用画像セグメンテーションタスクで良好に動作することを示した。
論文 参考訳（メタデータ） (2021-09-26T14:47:18Z) - Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。
具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。
大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文 参考訳（メタデータ） (2021-03-07T03:10:32Z) - Difficulty-aware Glaucoma Classification with Multi-Rater Consensus
Modeling [34.28252351672568]
我々は,緑内障分類タスクの深層学習モデルの性能向上のために,生のマルチレータグレーディングを利用する。
入力画像に対して最も感度が高く,最も具体的で,かつ,バランスの取れた融合結果を予測するために,マルチブランチモデル構造を提案する。
最終トラストラベルのみをトレーニングしたモデルと比較して,マルチレータコンセンサス情報を用いた提案手法は優れた性能を示した。
論文 参考訳（メタデータ） (2020-07-29T14:04:34Z)
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。