論文の概要: A generalized framework to predict continuous scores from medical ordinal labels

• arxiv url: http://arxiv.org/abs/2305.19097v1
• Date: Tue, 30 May 2023 15:00:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 15:45:08.680145
• Title: A generalized framework to predict continuous scores from medical ordinal labels
• Title（参考訳）: 医用順序ラベルからの連続スコア予測のための一般化フレームワーク
• Authors: Katharina V. Hoebel, Andreanne Lemay, John Peter Campbell, Susan Ostmo, Michael F. Chiang, Christopher P. Bridge, Matthew D. Li, Praveer Singh, Aaron S. Coyner, Jayashree Kalpathy-Cramer
• Abstract要約: モデル開発中に個別の順序ラベルのみを用いて連続的な値付き変数を正確に予測するフレームワークを提案する。 その結果, 3つの臨床予測課題において, トレーニングラベルの順序関係を考慮したモデルが, 従来のマルチクラス分類モデルよりも優れていたことが判明した。
• 参考スコア（独自算出の注目度）: 7.24111517701999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many variables of interest in clinical medicine, like disease severity, are recorded using discrete ordinal categories such as normal/mild/moderate/severe. These labels are used to train and evaluate disease severity prediction models. However, ordinal categories represent a simplification of an underlying continuous severity spectrum. Using continuous scores instead of ordinal categories is more sensitive to detecting small changes in disease severity over time. Here, we present a generalized framework that accurately predicts continuously valued variables using only discrete ordinal labels during model development. We found that for three clinical prediction tasks, models that take the ordinal relationship of the training labels into account outperformed conventional multi-class classification models. Particularly the continuous scores generated by ordinal classification and regression models showed a significantly higher correlation with expert rankings of disease severity and lower mean squared errors compared to the multi-class classification models. Furthermore, the use of MC dropout significantly improved the ability of all evaluated deep learning approaches to predict continuously valued scores that truthfully reflect the underlying continuous target variable. We showed that accurate continuously valued predictions can be generated even if the model development only involves discrete ordinal labels. The novel framework has been validated on three different clinical prediction tasks and has proven to bridge the gap between discrete ordinal labels and the underlying continuously valued variables.
• Abstract（参考訳）: 病気の重症度などの臨床医学への関心の多くの変数は、通常/ミルド/モデレート/重症度のような個別の順序分類を用いて記録される。 これらのラベルは、疾病重症度予測モデルを訓練し、評価するために使用される。 しかし、順序圏は下層の連続重度スペクトルの単純化を表す。 順序カテゴリーの代わりに連続的なスコアを使うことは、時間とともに病気の重症度が小さな変化を検知するのにより敏感である。 本稿では,モデル開発中に離散順序ラベルのみを用いて,連続価値変数を正確に予測する一般化フレームワークを提案する。 3つの臨床予測タスクにおいて,訓練ラベルの順序関係を考慮したモデルが,従来のマルチクラス分類モデルよりも優れていた。 特に,順序分類と回帰モデルによって生成された連続スコアは,マルチクラス分類モデルと比較して,病害度および平均二乗誤差のエキスパートランキングと有意に高い相関を示した。 さらに,MCドロップアウトの使用により,基礎となる連続目標変数を真に反映した連続的な評価スコアを予測するための,すべての評価されたディープラーニングアプローチの能力が大幅に向上した。 モデル開発が離散順序ラベルのみを含む場合でも,精度の高い連続的価値予測が生成可能であることを示した。 この新しいフレームワークは、3つの異なる臨床予測タスクで検証され、離散順序ラベルと基礎となる連続的価値変数の間のギャップを埋めることが証明されている。

関連論文リスト

• From Uncertainty to Clarity: Uncertainty-Guided Class-Incremental Learning for Limited Biomedical Samples via Semantic Expansion [0.0]
  バイオメディカル分野における限られたサンプルの下でのクラスインクリメンタル学習手法を提案する。 提案手法は,最先端の手法を最大53.54%の精度で上回り,最適性能を実現する。
  論文  参考訳（メタデータ） (2024-09-12T05:22:45Z)
• Automatic hip osteoarthritis grading with uncertainty estimation from computed tomography using digitally-reconstructed radiographs [5.910133714106733]
  変形性股関節症(Hip OA)の重症度はCroweおよびKellgren-Lawrence分類を用いて分類されることが多い。 ディープ・ラーニング・モデルは2つのグレーティング・スキームを用いて病気の成績を予測するために訓練された。 モデルの精度は約0.65(ECA)と0.95(ONCA)である。
  論文  参考訳（メタデータ） (2023-12-30T07:28:56Z)
• A Saliency-based Clustering Framework for Identifying Aberrant Predictions [49.1574468325115]
  本稿では, 異常予測の概念を導入し, 分類誤差の性質が頻度と同じくらい重要であることを強調した。 本稿では,誤分類率の低減と異常予測の識別を両立する,新しい,効率的なトレーニング手法を提案する。 本手法を獣医学の分野である獣医学の分野に応用し, 被曝率は高いが, 人体医学に比べて広く研究されていない。
  論文  参考訳（メタデータ） (2023-11-11T01:53:59Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• A Continual Learning Approach for Cross-Domain White Blood Cell Classification [36.482007703764154]
  白血球分類におけるクラスインクリメンタルおよびドメインインクリメンタルシナリオに対するリハーサルに基づく連続学習手法を提案する。 従来のタスクから代表サンプルを選択するために,モデルの予測に基づいてセット選択を用いる。 色,解像度,クラス組成が異なる3つの白血球分類データセットについて,提案手法を徹底的に評価した。
  論文  参考訳（メタデータ） (2023-08-24T09:38:54Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Improving the repeatability of deep learning models with Monte Carlo dropout [1.8951826092927349]
  また,同訪問中に同じ患者から取得した画像に対する4種類のモデル(バイナリ,マルチクラス,順序,回帰)の再現性について検討した。 本研究では,2値,複数クラス,順序,回帰モデルの性能について,公開データセットとプライベートデータセットの4つの画像分類課題について検討した。
  論文  参考訳（メタデータ） (2022-02-15T16:46:44Z)
• X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
  ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。 両世界の力を生かすために,我々は新しいX-モデルを提案する。 X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
  論文  参考訳（メタデータ） (2021-10-09T13:56:48Z)
• Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [20.480034690570196]
  本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。 正規化要因として機能する余分な用語で標準分類損失を拡大する。 DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2020-10-01T10:42:06Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。