論文の概要: U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging

• arxiv url: http://arxiv.org/abs/2306.04663v1
• Date: Wed, 7 Jun 2023 08:27:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 18:24:12.437278
• Title: U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging
• Title（参考訳）: U-PASS:自動睡眠停止のための不確実性誘導ディープラーニングパイプライン
• Authors: Elisabeth R. M. Heremans, Nabeel Seedat, Bertien Buyse, Dries Testelmans, Mihaela van der Schaar, Maarten De Vos
• Abstract要約: プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
• 参考スコア（独自算出の注目度）: 61.6346401960268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As machine learning becomes increasingly prevalent in critical fields such as healthcare, ensuring the safety and reliability of machine learning systems becomes paramount. A key component of reliability is the ability to estimate uncertainty, which enables the identification of areas of high and low confidence and helps to minimize the risk of error. In this study, we propose a machine learning pipeline called U-PASS tailored for clinical applications that incorporates uncertainty estimation at every stage of the process, including data acquisition, training, and model deployment. The training process is divided into a supervised pre-training step and a semi-supervised finetuning step. We apply our uncertainty-guided deep learning pipeline to the challenging problem of sleep staging and demonstrate that it systematically improves performance at every stage. By optimizing the training dataset, actively seeking informative samples, and deferring the most uncertain samples to an expert, we achieve an expert-level accuracy of 85% on a challenging clinical dataset of elderly sleep apnea patients, representing a significant improvement over the baseline accuracy of 75%. U-PASS represents a promising approach to incorporating uncertainty estimation into machine learning pipelines, thereby improving their reliability and unlocking their potential in clinical settings.
• Abstract（参考訳）: 医療などの重要な分野で機械学習がますます普及するにつれて、機械学習システムの安全性と信頼性が最重要となる。 信頼性の重要な要素は不確実性を推定する能力であり、高い信頼性と低い信頼性の領域を識別でき、エラーのリスクを最小限に抑えるのに役立つ。 本研究では,データ取得,トレーニング,モデル展開を含むプロセスの各段階における不確実性推定を含む臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 トレーニングプロセスは、教師付き事前訓練ステップと半教師付き微調整ステップとに分けられる。 不確実性に基づくディープラーニングパイプラインを睡眠ステージングの難しい問題に適用し,各ステージのパフォーマンスを体系的に向上させることを示す。 トレーニングデータセットを最適化し、積極的に情報的サンプルを求め、最も不確実なサンプルを専門家に延期することにより、高齢者睡眠時無呼吸患者の挑戦的臨床データセットに対して、専門家レベルの精度を85%向上させ、ベースライン精度を75%以上向上させた。 U-PASSは、機械学習パイプラインに不確実性推定を組み込むための有望なアプローチである。

関連論文リスト

• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Adaptive Uncertainty Estimation via High-Dimensional Testing on Latent Representations [28.875819909902244]
  不確実性推定は、訓練されたディープニューラルネットワークの信頼性を評価することを目的としている。 既存の不確実性推定アプローチは、低次元分布仮定に依存している。 本研究では,不確実性推定のためのデータ適応型高次元仮説テストを用いた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-25T12:22:18Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Benchmarking Bayesian Deep Learning on Diabetic Retinopathy Detection Tasks [39.82245729848194]
  このような複雑さを正確に反映した実世界のタスクのセットを提案し、安全クリティカルシナリオにおける予測モデルの信頼性を評価する。 具体的には、糖尿病網膜症を呈する高解像度ヒト網膜画像の2つの公開データセットをキュレートする。 我々はこれらのタスクを用いて、タスク固有の評価指標に基づいて、確立された、そして最先端のベイズ深層学習手法をベンチマークする。
  論文  参考訳（メタデータ） (2022-11-23T05:44:42Z)
• Federated Cycling (FedCy): Semi-supervised Federated Learning of Surgical Phases [57.90226879210227]
  FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。 外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
  論文  参考訳（メタデータ） (2022-03-14T17:44:53Z)
• Double-Uncertainty Weighted Method for Semi-supervised Learning [32.484750353853954]
  教師-学生モデルに基づく半教師付きセグメンテーションのための二重不確かさ重み付き手法を提案する。 ベイジアンディープラーニングを用いて教師モデルを訓練し,セグメンテーションの不確実性と特徴の不確実性を両立させる。 本手法は,2つの公開医療データセットにおいて,最先端の不確実性に基づく半教師付き手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-19T08:20:18Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)

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。