論文の概要: Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance

• arxiv url: http://arxiv.org/abs/2306.01232v1
• Date: Fri, 2 Jun 2023 01:46:31 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 17:03:14.168185
• Title: Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance
• Title（参考訳）: 知識指導による胸部疾患分類のための深層強化学習フレームワーク
• Authors: Weizhi Nie, Chen Zhang, Dan Song, Lina Zhao, Yunpeng Bai, Keliang Xie, Anan Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.87607548975686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The chest X-ray is often utilized for diagnosing common thoracic diseases. In recent years, many approaches have been proposed to handle the problem of automatic diagnosis based on chest X-rays. However, the scarcity of labeled data for related diseases still poses a huge challenge to an accurate diagnosis. In this paper, we focus on the thorax disease diagnostic problem and propose a novel deep reinforcement learning framework, which introduces prior knowledge to direct the learning of diagnostic agents and the model parameters can also be continuously updated as the data increases, like a person's learning process. Especially, 1) prior knowledge can be learned from the pre-trained model based on old data or other domains' similar data, which can effectively reduce the dependence on target domain data, and 2) the framework of reinforcement learning can make the diagnostic agent as exploratory as a human being and improve the accuracy of diagnosis through continuous exploration. The method can also effectively solve the model learning problem in the case of few-shot data and improve the generalization ability of the model. Finally, our approach's performance was demonstrated using the well-known NIH ChestX-ray 14 and CheXpert datasets, and we achieved competitive results. The source code can be found here: \url{https://github.com/NeaseZ/MARL}.
• Abstract（参考訳）: 胸部X線は一般的な胸部疾患の診断にしばしば用いられる。 近年,胸部x線による自動診断の問題に対処するための手法が数多く提案されている。 しかし、関連疾患のラベル付きデータの不足は、正確な診断には依然として大きな課題である。 本稿では,胸部疾患診断問題に焦点をあて,診断エージェントの学習を指示するための事前知識を導入し,学習プロセスのようにデータの増大に伴ってモデルパラメータを継続的に更新することのできる,新しい深層学習フレームワークを提案する。 特に 1)事前の知識は,旧データや他のドメインの類似データに基づいて事前学習したモデルから学ぶことができ,対象領域データへの依存性を効果的に低減することができる。 2) 強化学習の枠組みは, 診断剤を人間として探索し, 継続的な探索により診断精度を向上させることができる。 また,少数ショットデータの場合のモデル学習問題を効果的に解き,モデルの一般化能力を向上させることができる。 最後に、よく知られたNIH ChestX-ray 14とCheXpertデータセットを用いて、我々のアプローチのパフォーマンスを実証し、競争結果を得た。 ソースコードは以下のとおりである。

関連論文リスト

• SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
  我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。 最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
  論文  参考訳（メタデータ） (2023-11-13T21:07:07Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,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） (2023-05-20T03:12:23Z)
• AI can evolve without labels: self-evolving vision transformer for chest X-ray diagnosis through knowledge distillation [30.075714642990768]
  本稿では,自己指導型学習と自己学習による知識蒸留を利用した新しい深層学習フレームワークを提案する。 実験の結果,提案フレームワークは実環境に対して顕著な堅牢性を維持していることがわかった。 提案されたフレームワークは、毎年大量のデータが蓄積される医療画像にとって大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2022-02-13T22:40:46Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Covid-19 Detection from Chest X-ray and Patient Metadata using Graph Convolutional Neural Networks [6.420262246029286]
  本稿では,Covid-19肺炎のバイオマーカーを同定可能な新しいグラフ畳み込みニューラルネットワーク(GCN)を提案する。 提案手法は,データインスタンスとその特徴間の重要な関係知識をグラフ表現を用いて利用し,グラフデータ学習に畳み込みを適用する。
  論文  参考訳（メタデータ） (2021-05-20T13:13:29Z)
• 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)
• 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)
• Learning Invariant Feature Representation to Improve Generalization across Chest X-ray Datasets [55.06983249986729]
  我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。 対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
  論文  参考訳（メタデータ） (2020-08-04T07:41:15Z)

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。