Fugu-MT 論文翻訳(概要): Xplainer: From X-Ray Observations to Explainable Zero-Shot Diagnosis

論文の概要: Xplainer: From X-Ray Observations to Explainable Zero-Shot Diagnosis

arxiv url: http://arxiv.org/abs/2303.13391v3
Date: Wed, 28 Jun 2023 10:26:46 GMT
ステータス: 処理完了
システム内更新日: 2023-06-29 18:02:37.002759
Title: Xplainer: From X-Ray Observations to Explainable Zero-Shot Diagnosis
Title（参考訳）: xplainer:x線観測からゼロショット診断へ
Authors: Chantal Pellegrini, Matthias Keicher, Ege \"Ozsoy, Petra Jiraskova, Rickmer Braren, Nassir Navab
Abstract要約: 臨床現場でのゼロショット診断のためのフレームワークであるXplainerを紹介した。 Xplainerは、コントラッシブ・ビジョン言語モデルの分類・記述アプローチをマルチラベル診断タスクに適用する。我々の結果は、Xplainerが意思決定プロセスをより詳細に理解していることを示唆している。
参考スコア（独自算出の注目度）: 36.45569352490318
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated diagnosis prediction from medical images is a valuable resource to support clinical decision-making. However, such systems usually need to be trained on large amounts of annotated data, which often is scarce in the medical domain. Zero-shot methods address this challenge by allowing a flexible adaption to new settings with different clinical findings without relying on labeled data. Further, to integrate automated diagnosis in the clinical workflow, methods should be transparent and explainable, increasing medical professionals' trust and facilitating correctness verification. In this work, we introduce Xplainer, a novel framework for explainable zero-shot diagnosis in the clinical setting. Xplainer adapts the classification-by-description approach of contrastive vision-language models to the multi-label medical diagnosis task. Specifically, instead of directly predicting a diagnosis, we prompt the model to classify the existence of descriptive observations, which a radiologist would look for on an X-Ray scan, and use the descriptor probabilities to estimate the likelihood of a diagnosis. Our model is explainable by design, as the final diagnosis prediction is directly based on the prediction of the underlying descriptors. We evaluate Xplainer on two chest X-ray datasets, CheXpert and ChestX-ray14, and demonstrate its effectiveness in improving the performance and explainability of zero-shot diagnosis. Our results suggest that Xplainer provides a more detailed understanding of the decision-making process and can be a valuable tool for clinical diagnosis.
Abstract（参考訳）: 医療画像からの診断自動予測は臨床的意思決定を支援する貴重な資源である。しかし、そのようなシステムは、通常、医療領域では不足することが多い大量の注釈付きデータに基づいて訓練される必要がある。ゼロショット法は、ラベル付きデータに頼ることなく、異なる臨床所見を持つ新しい設定への柔軟な適応を可能にすることで、この問題に対処する。さらに, 臨床ワークフローに自動診断を統合するためには, 方法が透明で説明しやすいこと, 医療専門家の信頼度を高め, 正確性検証を容易にすることが必要である。本稿では,臨床現場におけるゼロショット診断のための新しいフレームワークであるXplainerを紹介する。 Xplainerは、比較視覚言語モデルの分類記述アプローチを多言語診断タスクに適用する。具体的には、診断を直接予測する代わりに、放射線技師がX線スキャンで探す記述的観察の存在をモデルに分類し、診断の可能性を推定するために記述子確率を使用する。最終的な診断予測は、基礎となる記述子の予測に基づいて直接行われるため、このモデルは設計によって説明可能である。胸部X線データセットであるCheXpertとChestX-ray14のXplainerを評価し,ゼロショット診断の性能と説明性の向上に有効であることを示した。以上の結果から,Xplainerは意思決定プロセスのより詳細な理解を提供し,臨床診断に有用なツールであることが示唆された。

関連論文リスト

MAGDA: Multi-agent guideline-driven diagnostic assistance [43.15066219293877]
救急部門、地方病院、または未開発地域の診療所では、臨床医は訓練された放射線技師による高速な画像分析を欠いていることが多い。本研究では,ゼロショットガイドライン駆動意思決定支援のための新しいアプローチを提案する。我々は、患者診断に到達するために協調する、対照的な視覚言語モデルで強化された複数のLLMエージェントのシステムをモデル化する。
論文参考訳（メタデータ） (2024-09-10T09:10:30Z)
Towards Reducing Diagnostic Errors with Interpretable Risk Prediction [18.474645862061426]
特定診断のリスクの増大または低下を示す患者EHRデータ中の証拠片をLCMを用いて同定する方法を提案する。私たちの究極の目標は、証拠へのアクセスを増やし、診断エラーを減らすことです。
論文参考訳（メタデータ） (2024-02-15T17:05:48Z)
Improving Chest X-Ray Classification by RNN-based Patient Monitoring [0.34998703934432673]
我々は、診断に関する情報がCNNに基づく画像分類モデルを改善する方法について分析する。追加の患者履歴情報に基づいてトレーニングされたモデルが、情報のないトレーニングを受けたモデルよりも有意なマージンで優れていることを示す。
論文参考訳（メタデータ） (2022-10-28T11:47:15Z)
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)
Interpretable Vertebral Fracture Diagnosis [69.68641439851777]
ブラックボックスニューラルネットワークモデルは、骨折診断のための臨床的に関連する特徴を学習する。この研究は、CT画像における脊椎骨折の診断にネットワークが使用する概念を特定する。
論文参考訳（メタデータ） (2022-03-30T13:07:41Z)
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)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
XProtoNet: Diagnosis in Chest Radiography with Global and Local Explanations [19.71623263373982]
XProtoNetは、胸部X線撮影のためのグローバルかつローカルに解釈可能な診断フレームワークです。 XProtoNetは、プロトタイプであるX線画像から各疾患の代表パターンを学習し、所定のX線画像上で診断を行う。プロトタイプが単一の画像の予測にどのように寄与するか、グローバルな説明、プロトタイプ、ローカルな説明を提供することができる。
論文参考訳（メタデータ） (2021-03-19T07:18:21Z)
Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2021-01-27T13:16:51Z)
Query-Focused EHR Summarization to Aid Imaging Diagnosis [22.21438906817433]
本稿では,患者記録から関連するテキストスニペットを抽出し,大まかな症例要約を提供するモデルを提案し,評価する。我々は,「未来」記録で観察される国際疾患分類(ICD)コード群を,「下流」診断のためのうるさいプロキシとして使用した。我々は、ボストンのブリガム・アンド・ウーマンズ病院とMIMIC-IIIのEHRデータに基づいて、このモデルのバリエーションを訓練し、評価する。
論文参考訳（メタデータ） (2020-04-09T16:32:39Z)

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。