論文の概要: Hospital Length of Stay Prediction Based on Multi-modal Data towards
Trustworthy Human-AI Collaboration in Radiomics
- arxiv url: http://arxiv.org/abs/2303.09817v1
- Date: Fri, 17 Mar 2023 07:53:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 15:21:51.976192
- Title: Hospital Length of Stay Prediction Based on Multi-modal Data towards
Trustworthy Human-AI Collaboration in Radiomics
- Title(参考訳): 放射線学における信頼できる人間-AI連携に向けたマルチモーダルデータに基づく静止予測の病院長
- Authors: Hubert Baniecki, Bartlomiej Sobieski, Przemys{\l}aw Bombi\'nski,
Patryk Szatkowski, Przemys{\l}aw Biecek
- Abstract要約: 1235の画像から生成された新しいマルチモーダルデータセットを用いて機械学習サバイバルモデルを比較する。
ブラックボックスモデルは解釈可能なモデルよりも平均してよい。
我々は人間-AI意思決定プロセスに時間依存モデル説明を導入する。
- 参考スコア(独自算出の注目度): 6.362764375279861
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To what extent can the patient's length of stay in a hospital be predicted
using only an X-ray image? We answer this question by comparing the performance
of machine learning survival models on a novel multi-modal dataset created from
1235 images with textual radiology reports annotated by humans. Although
black-box models predict better on average than interpretable ones, like Cox
proportional hazards, they are not inherently understandable. To overcome this
trust issue, we introduce time-dependent model explanations into the human-AI
decision making process. Explaining models built on both: human-annotated and
algorithm-extracted radiomics features provides valuable insights for
physicians working in a hospital. We believe the presented approach to be
general and widely applicable to other time-to-event medical use cases. For
reproducibility, we open-source code and the TLOS dataset at
https://github.com/mi2datalab/xlungs-trustworthy-los-prediction.
- Abstract(参考訳): X線画像のみを用いて,患者の入院期間をどの程度予測できるのか?
本稿では,1235の画像から作成した新しいマルチモーダルデータセットと,人間による注釈付きテキストラジオグラフィーレポートを比較し,機械学習サバイバルモデルの性能を比較した。
ブラックボックスモデルは、cox比例ハザードのような解釈可能なモデルよりも平均でより良い予測をするが、本質的には理解できない。
この信頼問題を克服するために、人間-AI意思決定プロセスに時間依存モデル説明を導入する。
human-annoted と algorithm-extracted radiomics featureは、病院で働く医師にとって貴重な洞察を提供する。
提案手法は一般的なものであり、他の時間から時間への医療用途にも広く適用できると考えられる。
再現性のために、私たちはhttps://github.com/mi2datalab/xlungs-trustworthy-los-predictionでコードとTLOSデータセットをオープンソース化しました。
関連論文リスト
- XrayGPT: Chest Radiographs Summarization using Medical Vision-Language
Models [60.437091462613544]
我々は,会話型医療ビジョン言語モデルであるXrayGPTを紹介する。
胸部X線写真に関するオープンエンドの質問を分析し、答えることができる。
自由テキストラジオグラフィーレポートから217kの対話的かつ高品質な要約を生成する。
論文 参考訳(メタデータ) (2023-06-13T17:59:59Z) - TMSS: An End-to-End Transformer-based Multimodal Network for
Segmentation and Survival Prediction [0.0]
腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。
本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
論文 参考訳(メタデータ) (2022-09-12T06:22:05Z) - SurvSHAP(t): Time-dependent explanations of machine learning survival
models [6.950862982117125]
SurvSHAP(t)は、生存可能なブラックボックスモデルの解釈を可能にする最初の時間依存的な説明である。
合成および医療データの実験により、SurvSHAP(t)が時間依存効果で変数を検出できることが確認された。
我々はPythonで時間に依存した説明のアクセス可能な実装を提供する。
論文 参考訳(メタデータ) (2022-08-23T17:01:14Z) - Self-supervised Multi-modal Training from Uncurated Image and Reports
Enables Zero-shot Oversight Artificial Intelligence in Radiology [31.045221580446963]
医療用クロスアテンションビジョンランゲージモデル(医療用X-VL)を提案する。
我々のモデルは、ゼロショット分類からゼロショット誤り訂正まで、さまざまなゼロショットタスクを監視できる。
提案手法は,データ制限設定において特に有効であり,医療領域に広く適用可能である可能性が示唆された。
論文 参考訳(メタデータ) (2022-08-10T04:35:58Z) - Multi-objective optimization determines when, which and how to fuse deep
networks: an application to predict COVID-19 outcomes [1.8351254916713304]
マルチモーダル・エンド・ツー・エンドモデルのセットアップを最適化する新しい手法を提案する。
我々はAIforCOVIDデータセット上でテストを行い、最先端の結果を得た。
論文 参考訳(メタデータ) (2022-04-07T23:07:33Z) - Survival Prediction of Brain Cancer with Incomplete Radiology,
Pathology, Genomics, and Demographic Data [17.971933253855354]
ハードウェア消費と計算効率を最適化したMMDパイプラインを用いた最適マルチモーダル学習を提案する。
4つのモードを用いてグリオーマ腫瘍生存予測を体系的に評価するために、大規模な公共データセット(962人の患者を含む)を収集する。
論文 参考訳(メタデータ) (2022-03-08T21:49:12Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳(メタデータ) (2022-02-08T10:03:24Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳(メタデータ) (2020-06-08T19:24:54Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳(メタデータ) (2020-06-01T05:21:37Z)
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。