論文の概要: Explaining Deep Learning for ECG Analysis: Building Blocks for Auditing and Knowledge Discovery

• arxiv url: http://arxiv.org/abs/2305.17043v1
• Date: Fri, 26 May 2023 15:52:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 13:36:08.597814
• Title: Explaining Deep Learning for ECG Analysis: Building Blocks for Auditing and Knowledge Discovery
• Title（参考訳）: ecg分析のためのディープラーニングの説明:監査と知識発見のためのビルディングブロック
• Authors: Patrick Wagner, Temesgen Mehari, Wilhelm Haverkamp, Nils Strodthoff
• Abstract要約: 深層ニューラルネットワークは、心電図データを解析するのにますます人気になっている。 これらのモデルのブラックボックスの性質による透明性の欠如は、一般的な懸念である。 この問題に対処するためには、説明可能なAI(XAI)メソッドを用いることができる。
• 参考スコア（独自算出の注目度）: 3.739243122393041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks have become increasingly popular for analyzing ECG data because of their ability to accurately identify cardiac conditions and hidden clinical factors. However, the lack of transparency due to the black box nature of these models is a common concern. To address this issue, explainable AI (XAI) methods can be employed. In this study, we present a comprehensive analysis of post-hoc XAI methods, investigating the local (attributions per sample) and global (based on domain expert concepts) perspectives. We have established a set of sanity checks to identify sensible attribution methods, and we provide quantitative evidence in accordance with expert rules. This dataset-wide analysis goes beyond anecdotal evidence by aggregating data across patient subgroups. Furthermore, we demonstrate how these XAI techniques can be utilized for knowledge discovery, such as identifying subtypes of myocardial infarction. We believe that these proposed methods can serve as building blocks for a complementary assessment of the internal validity during a certification process, as well as for knowledge discovery in the field of ECG analysis.
• Abstract（参考訳）: 深層ニューラルネットワークは、心臓の状態と隠れた臨床因子を正確に識別する能力から、心電図データの解析に人気が高まっている。 しかし、これらのモデルのブラックボックスの性質による透明性の欠如は共通の懸念である。 この問題を解決するために、説明可能なAI(XAI)メソッドを用いることができる。 本研究では,局所的な(サンプル毎の貢献)とグローバルな(ドメインエキスパートの概念に基づく)視点を考察し,ポストホックなXAI手法の包括的分析を行う。 我々は,賢明な帰属方法を見極めるための一連の健全性チェックを確立し,専門家の規則に従って定量的な証拠を提供する。 このデータセット全体の分析は、患者のサブグループ間でデータを集約することで、逸話的な証拠を超える。 さらに、これらのXAI技術が、心筋梗塞のサブタイプを特定するなど、知識発見にどのように活用できるかを実証する。 本提案手法は,ECG解析の分野における知識発見だけでなく,認証プロセス中の内部妥当性を補完的に評価するためのビルディングブロックとして機能すると考えられる。

関連論文リスト

• Deep Learning for identifying systolic complexes in SCG traces: a cross-dataset analysis [3.2109665109975696]
  サイストリック複合体を検出する最先端のソリューションは、Deep Learningモデルに基づいている。 本研究では,実世界のシナリオからのデータも考慮し,データセット間の実験分析を行った。
  論文  参考訳（メタデータ） (2024-08-08T13:10:03Z)
• Enhancing Breast Cancer Diagnosis in Mammography: Evaluation and Integration of Convolutional Neural Networks and Explainable AI [0.0]
  本研究では,畳み込みニューラルネットワーク(CNN)と説明可能な人工知能(XAI)を組み合わせて乳がんの診断を高度化するための統合フレームワークを提案する。 この方法論は、データセットの制限に対処するために、精巧なデータ前処理パイプラインと高度なデータ拡張技術を含んでいる。 本研究の焦点は,モデル予測の解釈におけるXAIの有効性を評価することである。
  論文  参考訳（メタデータ） (2024-04-05T05:00:21Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Interpretable Tsetlin Machine-based Premature Ventricular Contraction Identification [10.929778688942825]
  我々は,長期心電図信号を解析し,早期心室収縮(PVC)同定のためのTsetlin Machine (TM) アーキテクチャを開発した。 我々の数値的な結果は、TMがMIT-BIHデータベース上で畳み込みニューラルネットワーク(CNN)に匹敵する性能を提供することを示している。 本研究は,臨床実習における心電図解析のための機械学習(ML)の方法である。
  論文  参考訳（メタデータ） (2023-01-20T09:28:14Z)
• Explainable Deep Learning in Healthcare: A Methodological Survey from an Attribution View [36.025217954247125]
  本稿では,今後の研究者や臨床医の方法論として,深部・包括的に解釈可能性の方法を紹介した。 我々は、これらの方法が医療問題にどのように適応し、適用されたか、また、医師がこれらのデータ駆動技術をよりよく理解するのにどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2021-12-05T17:12:53Z)
• 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)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。