論文の概要: A review of uncertainty quantification in medical image analysis:
probabilistic and non-probabilistic methods
- arxiv url: http://arxiv.org/abs/2310.06873v1
- Date: Mon, 9 Oct 2023 10:15:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 08:07:40.223964
- Title: A review of uncertainty quantification in medical image analysis:
probabilistic and non-probabilistic methods
- Title（参考訳）: 医用画像解析における不確実性定量化の展望:確率的および非確率的方法
- Authors: Ling Huang, Su Ruan, Yucheng Xing, Mengling Feng
- Abstract要約: 機械学習モデルの信頼性を定量化するための潜在的な解決策として、不確実性定量化法が提案されている。
本総説は,医療画像解析機械学習モデルにおける不確実性定量化の研究について,臨床および技術的な背景から,迅速かつ詳細な理解を得ることを目的としている。
- 参考スコア（独自算出の注目度）: 11.972374203751562
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The comprehensive integration of machine learning healthcare models within
clinical practice remains suboptimal, notwithstanding the proliferation of
high-performing solutions reported in the literature. A predominant factor
hindering widespread adoption pertains to an insufficiency of evidence
affirming the reliability of the aforementioned models. Recently, uncertainty
quantification methods have been proposed as a potential solution to quantify
the reliability of machine learning models and thus increase the
interpretability and acceptability of the result. In this review, we offer a
comprehensive overview of prevailing methods proposed to quantify uncertainty
inherent in machine learning models developed for various medical image tasks.
Contrary to earlier reviews that exclusively focused on probabilistic methods,
this review also explores non-probabilistic approaches, thereby furnishing a
more holistic survey of research pertaining to uncertainty quantification for
machine learning models. Analysis of medical images with the summary and
discussion on medical applications and the corresponding uncertainty evaluation
protocols are presented, which focus on the specific challenges of uncertainty
in medical image analysis. We also highlight some potential future research
work at the end. Generally, this review aims to allow researchers from both
clinical and technical backgrounds to gain a quick and yet in-depth
understanding of the research in uncertainty quantification for medical image
analysis machine learning models.
- Abstract（参考訳）: 臨床における機械学習医療モデルの包括的な統合は、文献に報告されているハイパフォーマンスなソリューションの急増にもかかわらず、依然として最適ではない。
広く普及を妨げる主要な要因は、上記のモデルの信頼性を裏付ける証拠の不足である。
近年,機械学習モデルの信頼性を定量化し,結果の解釈性と受容性を高める潜在的な解決策として不確実性定量化手法が提案されている。
本稿では,様々な医療画像タスクのために開発された機械学習モデルに固有の不確実性を定量化する手法について概説する。
確率的手法にのみ焦点をあてた以前のレビューとは対照的に、このレビューは非確率的アプローチを探求し、マシンラーニングモデルの不確実性定量化に関連する研究をより全体論的に調査する。
医用画像解析における不確実性に関する具体的な課題に焦点をあて,医療応用の要約と議論,およびそれに対応する不確実性評価プロトコルについて述べる。
最終的には今後の研究の可能性を強調します。
本総説は,医療画像解析機械学習モデルにおける不確実性定量化の研究について,臨床および技術的な背景から,迅速かつ詳細な理解を得ることを目的としている。
関連論文リスト
- Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Benchmarking Scalable Epistemic Uncertainty Quantification in Organ
Segmentation [7.313010190714819]
モデル予測に関連する不確実性の定量化は 重要な臨床応用に不可欠です
自動臓器分割のためのディープラーニングに基づく手法は,診断と治療計画を支援する上で有望であることを示す。
医用画像解析設定においてどの方法が好ましいかは不明確である。
論文 参考訳（メタデータ） (2023-08-15T00:09:33Z) - 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) - Beyond Known Reality: Exploiting Counterfactual Explanations for Medical
Research [1.6574413179773761]
本研究は, 医療研究における「もし」シナリオの適用可能性を探るために, 反事実的説明を用いている。
本研究の目的は, 小児後頭葉腫瘍の診断に使用されるMRI像の理解を深めることである。
論文 参考訳（メタデータ） (2023-07-05T09:14:09Z) - A Review of Uncertainty Estimation and its Application in Medical
Imaging [32.860577735207094]
不確実性推定は、深部モデルの予測とともに信頼性評価を生成する上で重要な役割を果たす。
これは特に医療画像において重要であり、モデルの予測の不確実性は、関心領域の特定や、臨床医への追加情報の提供に利用することができる。
論文 参考訳（メタデータ） (2023-02-16T06:54:33Z) - Informing clinical assessment by contextualizing post-hoc explanations
of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。
我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。
本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文 参考訳（メタデータ） (2023-02-11T18:07:11Z) - Trustworthy clinical AI solutions: a unified review of uncertainty
quantification in deep learning models for medical image analysis [1.0439136407307046]
本稿では,ディープラーニング予測に関連する不確実性を定量化するための既存手法の概要を提案する。
本稿では,画像の高次元性とその品質変動性から,医用画像解析への応用に焦点をあてる。
論文 参考訳（メタデータ） (2022-10-05T07:01:06Z) - Improving Trustworthiness of AI Disease Severity Rating in Medical
Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。
分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。
本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文 参考訳（メタデータ） (2022-07-05T18:01:20Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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)
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。