論文の概要: Deep Hypothesis Tests Detect Clinically Relevant Subgroup Shifts in
Medical Images
- arxiv url: http://arxiv.org/abs/2303.04862v1
- Date: Wed, 8 Mar 2023 19:58:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 17:08:05.306905
- Title: Deep Hypothesis Tests Detect Clinically Relevant Subgroup Shifts in
Medical Images
- Title(参考訳): 医学画像における臨床関連サブグループシフトの検出
- Authors: Lisa M. Koch, Christian M. Sch\"urch, Christian F. Baumgartner, Arthur
Gretton, Philipp Berens
- Abstract要約: 機械学習システムにおけるサブグループシフトの検出に焦点をあてる。
近年の最先端統計検査は, 医用画像データのサブグループシフト検出に有効である。
- 参考スコア(独自算出の注目度): 21.01688837312175
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distribution shifts remain a fundamental problem for the safe application of
machine learning systems. If undetected, they may impact the real-world
performance of such systems or will at least render original performance claims
invalid. In this paper, we focus on the detection of subgroup shifts, a type of
distribution shift that can occur when subgroups have a different prevalence
during validation compared to the deployment setting. For example, algorithms
developed on data from various acquisition settings may be predominantly
applied in hospitals with lower quality data acquisition, leading to an
inadvertent performance drop. We formulate subgroup shift detection in the
framework of statistical hypothesis testing and show that recent
state-of-the-art statistical tests can be effectively applied to subgroup shift
detection on medical imaging data. We provide synthetic experiments as well as
extensive evaluation on clinically meaningful subgroup shifts on histopathology
as well as retinal fundus images. We conclude that classifier-based subgroup
shift detection tests could be a particularly useful tool for post-market
surveillance of deployed ML systems.
- Abstract(参考訳): 分散シフトは、機械学習システムの安全な適用の基本的な問題である。
検出されていない場合、そのようなシステムの実際のパフォーマンスに影響を与える可能性がある。
本稿では,サブグループの配置状況に対する検証において,サブグループの頻度が異なる場合に発生する分散シフトの一種であるサブグループシフトの検出に焦点を当てる。
例えば、様々な取得設定のデータに基づいて開発されたアルゴリズムは、品質の低いデータ取得の病院で主に適用され、不注意なパフォーマンス低下につながる可能性がある。
統計的仮説テストの枠組みでサブグループシフト検出を定式化し,最新の統計検査が医用画像データにおけるサブグループシフト検出に有効であることを示す。
組織病理および網膜底像における臨床的に有意義なサブグループシフトについて,合成実験と広範な評価を行った。
分類器に基づくサブグループシフト検出テストは,デプロイされたmlシステムの市場監視に特に有用であると考えられる。
関連論文リスト
- Automatic dataset shift identification to support root cause analysis of AI performance drift [13.996602963045387]
データ配信のシフトは、臨床AIモデルの性能を著しく損なう可能性がある。
本稿では,最初の教師なしデータセットシフト識別フレームワークを提案する。
提案フレームワークの5種類の実世界のデータセットシフトに関する有望な結果を報告する。
論文 参考訳(メタデータ) (2024-11-12T17:09:20Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - The Role of Subgroup Separability in Group-Fair Medical Image
Classification [18.29079361470428]
診断などの系統的バイアスを伴うデータを用いて, サブグループ分離性, サブグループ分離性, 性能劣化の関係について検討した。
私たちの発見は、モデルがどのように偏見を抱くかという問題に新たな光を当て、公正な医療画像AIの開発に重要な洞察を与えました。
論文 参考訳(メタデータ) (2023-07-06T06:06:47Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-04-10T17:58:22Z) - Identification of Systematic Errors of Image Classifiers on Rare
Subgroups [12.064692111429494]
組織的エラーは、少数民族の公正性だけでなく、ドメインシフト時の堅牢性と安全性にも影響します。
我々は,テキスト・ツー・イメージ・モデルにおける最近の進歩を活用し,ターゲットモデルの性能が低いサブグループに対するサブグループのテキスト記述("prompts")の空間を探索する。
本稿では, PromptAttackによるサブグループカバレッジと識別可能性について検討し, 高い精度で系統的誤りを識別できることを見出した。
論文 参考訳(メタデータ) (2023-03-09T07:08:25Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-24T18:49:26Z) - A unified framework for dataset shift diagnostics [2.449909275410288]
教師付き学習技術は典型的には、訓練データが標的人口に由来すると仮定する。
しかし、データセットのシフトが頻繁に発生し、適切に考慮しなければ、予測器の性能が低下する可能性がある。
我々は、複数のデータセットシフトの定量化とテストを行うTectorShiftという、新しいフレキシブルなフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:34:45Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - Deep Learning in current Neuroimaging: a multivariate approach with
power and type I error control but arguable generalization ability [0.158310730488265]
ディープラーニングアーキテクチャを用いた分類の統計的意義を推定する非パラメトリックフレームワークを提案する。
ラベル置換試験は, クロスバリデーション (CV) と上界補正 (RUB) を併用した再置換を検証法として提案した。
我々は, CV法とRUB法が有意レベルに近い偽陽性率と許容可能な統計的力を提供することを置換試験で発見した。
論文 参考訳(メタデータ) (2021-03-30T21:15:39Z) - LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。
クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。
毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
論文 参考訳(メタデータ) (2020-10-06T16:42:51Z) - Noisy Adaptive Group Testing using Bayesian Sequential Experimental
Design [63.48989885374238]
病気の感染頻度が低い場合、Dorfman氏は80年前に、人のテストグループは個人でテストするよりも効率が良いことを示した。
本研究の目的は,ノイズの多い環境で動作可能な新しいグループテストアルゴリズムを提案することである。
論文 参考訳(メタデータ) (2020-04-26T23:41:33Z)
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。