Fugu-MT 論文翻訳(概要): Scope and Arbitration in Machine Learning Clinical EEG Classification

論文の概要: Scope and Arbitration in Machine Learning Clinical EEG Classification

arxiv url: http://arxiv.org/abs/2303.06386v1
Date: Sat, 11 Mar 2023 11:38:32 GMT
ステータス: 処理完了
システム内更新日: 2023-03-14 19:19:46.528538
Title: Scope and Arbitration in Machine Learning Clinical EEG Classification
Title（参考訳）: 機械学習臨床脳波分類におけるスコープと調停
Authors: Yixuan Zhu, Luke J. W. Canham, David Western
Abstract要約: 臨床脳波の解釈における重要な課題は、録音またはセッションを正常または異常として分類することである。機械学習のアプローチでは、録音は実際的な理由で短いウィンドウに分割され、これらのウィンドウは親レコードのラベルを継承する。本稿では,この問題を解決するための2つのアプローチを提案する。ウィンドウ長の増大と,記録内のウィンドウ固有の予測を仲裁する第2段階モデルの導入である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A key task in clinical EEG interpretation is to classify a recording or session as normal or abnormal. In machine learning approaches to this task, recordings are typically divided into shorter windows for practical reasons, and these windows inherit the label of their parent recording. We hypothesised that window labels derived in this manner can be misleading for example, windows without evident abnormalities can be labelled `abnormal' disrupting the learning process and degrading performance. We explored two separable approaches to mitigate this problem: increasing the window length and introducing a second-stage model to arbitrate between the window-specific predictions within a recording. Evaluating these methods on the Temple University Hospital Abnormal EEG Corpus, we significantly improved state-of-the-art average accuracy from 89.8 percent to 93.3 percent. This result defies previous estimates of the upper limit for performance on this dataset and represents a major step towards clinical translation of machine learning approaches to this problem.
Abstract（参考訳）: 臨床脳波の解釈における重要な課題は、録音またはセッションを正常または異常に分類することである。このタスクに対する機械学習のアプローチでは、録音は通常、実際の理由で短いウィンドウに分割され、これらのウィンドウは親レコードのラベルを継承する。この方法で派生したウィンドウラベルは、例えば、異常のないウィンドウを「異常」とラベル付けして学習過程を妨害し、性能を劣化させるなど、誤解を招く可能性があると仮定した。この問題を軽減するための2つの分離可能なアプローチについて検討した。ウィンドウ長の増大と、記録内のウィンドウ固有の予測を仲裁する第2段階モデルの導入である。これらの手法をテンプル大学病院異常脳波コーポレーションで評価し、最先端の平均精度を89.8%から93.3%に大幅に改善した。この結果は、このデータセットの性能限界の以前の推定値に反し、この問題に対する機械学習アプローチの臨床的翻訳に向けた大きな一歩となる。

関連論文リスト

An Efficient and Flexible Deep Learning Method for Signal Delineation via Keypoints Estimation [4.2807943283312095]
本稿では,キーポイント推定のための新しいDLモデルであるKEED(Keypoint Estimation for Electrocardiogram Delineation)を提案する。 KEEDは、臨床的な期待に沿ったアウトプットを有機的に提供する。注目すべきは、非常に限定的な注釈付きデータで最適化されているにもかかわらず、KEEDは大幅にパフォーマンスが向上していることだ。
論文参考訳（メタデータ） (2024-07-24T08:13:10Z)
An AI System for Continuous Knee Osteoarthritis Severity Grading Using Self-Supervised Anomaly Detection with Limited Data [0.30723404270319693]
本研究は膝OAの自動連続グルーピングのための3段階的アプローチを提案する。正常度の中心までの距離に基づいて、健康な膝X線の堅牢な表現と疾患の重症度を学ぶ。提案手法は,OA検出率において最大24%のマージンで既存の技術よりも優れており,疾患重症度スコアはKellgren-Lawrenceグレーティングシステムと人間専門家の成績と同等のレベルで相関している。
論文参考訳（メタデータ） (2024-07-16T08:37:33Z)
Purify Unlearnable Examples via Rate-Constrained Variational Autoencoders [101.42201747763178]
未学習例(UE)は、正しくラベル付けされたトレーニング例に微妙な修正を加えることで、テストエラーの最大化を目指している。我々の研究は、効率的な事前学習浄化法を構築するための、新しいゆがみ機構を提供する。
論文参考訳（メタデータ） (2024-05-02T16:49:25Z)
Window Stacking Meta-Models for Clinical EEG Classification [2.441080237286239]
ウィンドウニングは、EEG機械学習の分類やその他の時系列タスクにおいて一般的なテクニックである。タイムウインドウドデータ集約に適したメタラーニングの原則を取り入れたマルチステージモデルアーキテクチャを導入する。テンプル大学病院異常脳波コーポレーション(TUAB)で試験を行ったところ、ベンチマークの精度は89.8%から99.0パーセントに劇的に向上した。
論文参考訳（メタデータ） (2024-01-14T17:45:52Z)
Adaptive Variance Thresholding: A Novel Approach to Improve Existing Deep Transfer Vision Models and Advance Automatic Knee-Joint Osteoarthritis Classification [0.11249583407496219]
Knee-Joint型変形性関節症(KOA)は、世界的な障害の原因であり、診断に本質的に複雑である。 1つの有望な分類経路は、ディープラーニングの手法を適用することである。本研究は,学習後特殊分類器を改善するための新しいパラダイムを提案する。
論文参考訳（メタデータ） (2023-11-10T00:17:07Z)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文参考訳（メタデータ） (2022-03-10T23:35:00Z)
TraSeTR: Track-to-Segment Transformer with Contrastive Query for Instance-level Instrument Segmentation in Robotic Surgery [60.439434751619736]
そこで我々は,TraSeTRを提案する。TraSeTR,TraSeTR,Trace-to-Segment Transformerは,手術器具のセグメンテーションを支援する。 TraSeTRは、機器の種類、位置、アイデンティティとインスタンスレベルの予測を共同で理由付けている。提案手法の有効性を,3つの公開データセットに対して,最先端の計器型セグメンテーション結果を用いて実証した。
論文参考訳（メタデータ） (2022-02-17T05:52:18Z)
MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文参考訳（メタデータ） (2021-07-23T06:57:08Z)
Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文参考訳（メタデータ） (2021-05-14T10:05:10Z)
Interpretable COVID-19 Chest X-Ray Classification via Orthogonality Constraint [10.190872613479632]
胸部X線画像からのCOVID-19症例の分類にOrthogonal Spheres(OS)制約を用いることの利点について検討した。これまでの研究では、このような制約をディープラーニングモデルに適用する大きなメリットが実証されてきた。提案手法は,2クラス・3クラス分類における精度を1.6%,4.8%向上させる。
論文参考訳（メタデータ） (2021-02-02T11:35:28Z)

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。