Fugu-MT 論文翻訳(概要): Exploring the Role of Explainability in AI-Assisted Embryo Selection

論文の概要: Exploring the Role of Explainability in AI-Assisted Embryo Selection

arxiv url: http://arxiv.org/abs/2308.02534v1
Date: Tue, 1 Aug 2023 09:46:31 GMT
ステータス: 処理完了
システム内更新日: 2023-08-14 01:11:10.742001
Title: Exploring the Role of Explainability in AI-Assisted Embryo Selection
Title（参考訳）: AIによる胚選抜における説明可能性の役割を探る
Authors: Lucia Urcelay, Daniel Hinjos, Pablo A. Martin-Torres, Marta Gonzalez, Marta Mendez, Salva C\'ivico, Sergio \'Alvarez-Napagao and Dario Garcia-Gasulla
Abstract要約: 体外受精は不妊治療において最も広く行われている治療法の一つである。その主な課題の1つは、移植のための胚の評価と選択である。深層学習に基づく手法が注目されているが、その不透明な性質は臨床における受容を損なう。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In Vitro Fertilization is among the most widespread treatments for infertility. One of its main challenges is the evaluation and selection of embryo for implantation, a process with large inter- and intra-clinician variability. Deep learning based methods are gaining attention, but their opaque nature compromises their acceptance in the clinical context, where transparency in the decision making is key. In this paper we analyze the current work in the explainability of AI-assisted embryo analysis models, identifying the limitations. We also discuss how these models could be integrated in the clinical context as decision support systems, considering the needs of clinicians and patients. Finally, we propose guidelines for the sake of increasing interpretability and trustworthiness, pushing this technology forward towards established clinical practice.
Abstract（参考訳）: 体外受精は不妊症に対する最も広範な治療の1つである。主な課題の1つは、胚の移植に対する評価と選択である。深層学習に基づく手法が注目されているが、その不透明な性質は、意思決定における透明性が鍵となる臨床的文脈における受容を損なう。本稿では,AIを用いた胚解析モデルの現状を解析し,その限界を明らかにする。また,臨床医や患者のニーズを考慮して,これらのモデルを意思決定支援システムとして臨床コンテキストに組み込む方法について検討した。最後に, 解釈性と信頼性を高めるためのガイドラインを提案し, 確立された臨床実践に向けて, この技術を推し進める。

関連論文リスト

Beyond One-Time Validation: A Framework for Adaptive Validation of Prognostic and Diagnostic AI-based Medical Devices [55.319842359034546]
既存のアプローチは、これらのデバイスを実際にデプロイする際の複雑さに対処するのに不足することが多い。提示されたフレームワークは、デプロイメント中に検証と微調整を繰り返すことの重要性を強調している。現在の米国とEUの規制分野に位置づけられている。
論文参考訳（メタデータ） (2024-09-07T11:13:52Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
Elucidating Discrepancy in Explanations of Predictive Models Developed using EMR [2.1561701531034414]
透明性と説明責任の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。本研究は電子カルテ(EMR)データのために開発された臨床診断支援アルゴリズムに適用する。
論文参考訳（メタデータ） (2023-11-28T10:13:31Z)
Explainable AI for clinical risk prediction: a survey of concepts, methods, and modalities [2.9404725327650767]
臨床リスク予測のための説明可能なモデルの開発状況外部検証の必要性と多様な解釈可能性メソッドの組み合わせを強調している。臨床リスク予測における説明可能性へのエンドツーエンドアプローチは成功に不可欠である。
論文参考訳（メタデータ） (2023-08-16T14:51:51Z)
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)
Evaluation of Popular XAI Applied to Clinical Prediction Models: Can They be Trusted? [2.0089256058364358]
透明性と説明可能性の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。本研究は、医療現場における予測モデルの説明に使用される2つの一般的なXAI手法を評価する。
論文参考訳（メタデータ） (2023-06-21T02:29:30Z)
COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文参考訳（メタデータ） (2022-04-24T07:38:37Z)
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)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
Achievements and Challenges in Explaining Deep Learning based Computer-Aided Diagnosis Systems [4.9449660544238085]
我々は、既知の疾患基準の検証のための説明可能なAIの開発における初期の成果について論じる。我々は、臨床意思決定支援ツールとしてのAIの実践的応用の道に立つ、残る課題をいくつか強調する。
論文参考訳（メタデータ） (2020-11-26T08:08:19Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。