論文の概要: The Performance of Transferability Metrics does not Translate to Medical Tasks

• arxiv url: http://arxiv.org/abs/2308.07444v1
• Date: Mon, 14 Aug 2023 20:34:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-16 14:50:02.390706
• Title: The Performance of Transferability Metrics does not Translate to Medical Tasks
• Title（参考訳）: 医療行為に翻訳されない伝達性指標の性能
• Authors: Levy Chaves, Alceu Bissoto, Eduardo Valle, Sandra Avila
• Abstract要約: 転送学習は、小さなデータセット上での深層学習(DL)を可能にすることにより、医用画像解析の性能を高める。 転送可能性スコアリングメソッドはエンチリングソリューションとして登場し、任意のターゲットデータセットのアーキテクチャ精度と相関するスコアを効率的に計算する。 我々は,3つの医療応用において,アウト・オブ・ディストリビューションシナリオを含む7つのトランスファービリティスコアを徹底的に評価した。 以上の結果から,医療現場での目標性能を確実かつ一貫した評価が得られないことが示唆された。
• 参考スコア（独自算出の注目度）: 15.570851954502704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transfer learning boosts the performance of medical image analysis by enabling deep learning (DL) on small datasets through the knowledge acquired from large ones. As the number of DL architectures explodes, exhaustively attempting all candidates becomes unfeasible, motivating cheaper alternatives for choosing them. Transferability scoring methods emerge as an enticing solution, allowing to efficiently calculate a score that correlates with the architecture accuracy on any target dataset. However, since transferability scores have not been evaluated on medical datasets, their use in this context remains uncertain, preventing them from benefiting practitioners. We fill that gap in this work, thoroughly evaluating seven transferability scores in three medical applications, including out-of-distribution scenarios. Despite promising results in general-purpose datasets, our results show that no transferability score can reliably and consistently estimate target performance in medical contexts, inviting further work in that direction.
• Abstract（参考訳）: 転送学習は、大きなデータセットから得られる知識を通じて、小さなデータセット上での深層学習(DL)を可能にすることにより、医用画像解析の性能を高める。 DLアーキテクチャの数が爆発するにつれて、すべての候補を徹底的に試すことは不可能になり、それを選択するためのより安価な選択肢を動機付けます。 転送可能性スコアリングメソッドはエンチリングソリューションとして登場し、任意のターゲットデータセットのアーキテクチャ精度と相関するスコアを効率的に計算する。 しかし, 医療データではトランスファビリティスコアが評価されていないため, この文脈での使用状況は不透明であり, 実践者の利益を損なうことはない。 このギャップを埋め、アウトオブディストリビューションシナリオを含む3つの医療アプリケーションで、7つのトランスファー可能性スコアを徹底的に評価します。 汎用データセットの有望な結果にもかかわらず,医療現場における目標性能を確実かつ一貫した評価が得られず,さらなる作業が促されることが示唆された。

関連論文リスト

• FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
  FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。 6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。 単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
  論文  参考訳（メタデータ） (2024-07-11T19:12:23Z)
• STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
  STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。 STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
  論文  参考訳（メタデータ） (2024-06-28T15:01:23Z)
• 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)
• WellFactor: Patient Profiling using Integrative Embedding of Healthcare Data [2.370296071691569]
  WellFactorは、異なるソースの情報を統合することで、患者のプロファイルを導出する手法である。 WellFactorは、しばしば医療データに固有の空間を扱うように最適化されている。 分類性能の他の手法と比較すると、より良い結果が得られる。
  論文  参考訳（メタデータ） (2023-12-21T18:49:22Z)
• 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)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Uncertainty-Guided Mutual Consistency Learning for Semi-Supervised Medical Image Segmentation [9.745971699005857]
  医用画像セグメンテーションのための新しい不確実性誘導相互整合学習フレームワークを提案する。 タスクレベルの正規化によるタスク内一貫性学習と、タスク間の整合性学習を統合して、幾何学的な形状情報を活用する。 本手法は,ラベルのないデータを活用し,既存の半教師付きセグメンテーション法より優れた性能を実現する。
  論文  参考訳（メタデータ） (2021-12-05T08:19:41Z)
• A Real Use Case of Semi-Supervised Learning for Mammogram Classification in a Local Clinic of Costa Rica [0.5541644538483946]
  ディープラーニングモデルのトレーニングには、かなりの量のラベル付きイメージが必要です。 多くの公開データセットが、さまざまな病院や診療所のデータで構築されている。 ラベルなしデータを利用した半教師付き深層学習手法であるMixMatchを提案し評価した。
  論文  参考訳（メタデータ） (2021-07-24T22:26:50Z)
• Benchmarking Automated Clinical Language Simplification: Dataset, Algorithm, and Evaluation [48.87254340298189]
  我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。 我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-04T06:09:02Z)
• Uncertainty-aware multi-view co-training for semi-supervised medical image segmentation and domain adaptation [35.33425093398756]
  ラベルのないデータは、注釈付きデータよりもはるかに簡単に取得できる。 医用画像セグメンテーションのための不確実性を考慮したマルチビュー協調トレーニングを提案する。 我々のフレームワークは、ラベルのないデータを効率的に活用してパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2020-06-28T22:04:54Z)

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。