論文の概要: Can input reconstruction be used to directly estimate uncertainty of a
regression U-Net model? -- Application to proton therapy dose prediction for
head and neck cancer patients
- arxiv url: http://arxiv.org/abs/2310.19686v1
- Date: Mon, 30 Oct 2023 16:04:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 19:18:27.034062
- Title: Can input reconstruction be used to directly estimate uncertainty of a
regression U-Net model? -- Application to proton therapy dose prediction for
head and neck cancer patients
- Title(参考訳): 入力再構成は回帰u-netモデルの不確かさを直接推定するために使用できるか?
--頭頸部癌に対する陽子線量予測への応用
- Authors: Margerie Huet-Dastarac, Dan Nguyen, Steve Jiang, John Lee, Ana
Barragan Montero
- Abstract要約: 本稿では,別の直接不確実性推定法を提案し,それを回帰U-Netアーキテクチャに適用する。
本手法は頭頸部癌患者に対する陽子線量予測に応用した。
- 参考スコア(独自算出の注目度): 0.8343441027226364
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the uncertainty of deep learning models in a reliable and
efficient way has remained an open problem, where many different solutions have
been proposed in the literature. Most common methods are based on Bayesian
approximations, like Monte Carlo dropout (MCDO) or Deep ensembling (DE), but
they have a high inference time (i.e. require multiple inference passes) and
might not work for out-of-distribution detection (OOD) data (i.e. similar
uncertainty for in-distribution (ID) and OOD). In safety critical environments,
like medical applications, accurate and fast uncertainty estimation methods,
able to detect OOD data, are crucial, since wrong predictions can jeopardize
patients safety. In this study, we present an alternative direct uncertainty
estimation method and apply it for a regression U-Net architecture. The method
consists in the addition of a branch from the bottleneck which reconstructs the
input. The input reconstruction error can be used as a surrogate of the model
uncertainty. For the proof-of-concept, our method is applied to proton therapy
dose prediction in head and neck cancer patients. Accuracy, time-gain, and OOD
detection are analyzed for our method in this particular application and
compared with the popular MCDO and DE. The input reconstruction method showed a
higher Pearson correlation coefficient with the prediction error (0.620) than
DE and MCDO (between 0.447 and 0.612). Moreover, our method allows an easier
identification of OOD (Z-score of 34.05). It estimates the uncertainty
simultaneously to the regression task, therefore requires less time or
computational resources.
- Abstract(参考訳): 深層学習モデルの不確実性を信頼性と効率的な方法で推定することは、文献で多くの異なる解が提案されているオープンな問題のままである。
ほとんどの一般的な方法は、モンテカルロ・ドロップアウト (MCDO) やディープ・アンサンブル (DE) のようなベイズ近似に基づいているが、高い推論時間(つまり、複数の推論パスを必要とする)を持ち、アウト・オブ・ディストリビューション検出 (OOD) データ(すなわち、イン・ディストリビューション (ID) と OOD に類似した不確実性)では機能しない。
医療アプリケーションのような安全上重要な環境では、誤った予測が患者の安全性を脅かす可能性があるため、正確な不確実性推定手法が重要である。
本研究では,代替の直接不確実性推定法を提案し,回帰型u-netアーキテクチャに適用する。
この方法は、入力を再構築するボトルネックから分岐を追加することで構成される。
入力再構成誤差はモデルの不確かさのサロゲートとして使用できる。
概念実証のために, 頭頸部癌患者の陽子治療線量予測に適用した。
本手法の精度,時間ゲイン,OOD検出を本手法で解析し,一般的なMCDOやDEと比較した。
入力再構成法ではDとMCDO(0.447と0.612の間)よりも予測誤差(0.620)の高いピアソン相関係数を示した。
また,OOD(Zスコア34.05)の同定も容易である。
回帰タスクと同時に不確実性を推定するので、時間や計算資源は少なくなります。
関連論文リスト
- Inadequacy of common stochastic neural networks for reliable clinical
decision support [0.4262974002462632]
医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。
しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。
本研究は臨床応用における信頼性について考察する。
論文 参考訳(メタデータ) (2024-01-24T18:49:30Z) - Quantifying predictive uncertainty of aphasia severity in stroke
patients with sparse heteroscedastic Bayesian high-dimensional regression [49.504432873468254]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳(メタデータ) (2023-09-15T22:06:29Z) - Conservative Prediction via Data-Driven Confidence Minimization [66.35245313125934]
機械学習モデルのエラーは、特に医療のような安全クリティカルな領域では、コストがかかる。
本稿では、不確実性データセットに対する信頼性を最小化するデータ駆動型信頼性最小化(DCM)を提案する。
実験の結果、DCMは8つのID-OODデータセットペアに対して、最先端のOOD検出方法よりも一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - Improving Out-of-Distribution Detection via Epistemic Uncertainty
Adversarial Training [29.4569172720654]
我々は,ドロップアウトアンサンブルによって予測される不確実性の攻撃を組み込んだ,単純な対向訓練手法を開発した。
本手法は,OOD検出性能を標準データ上で向上させる(逆向きではない)とともに,ほぼランダムな推定性能から$geq 0.75$まで,標準化された部分AUCを改善する。
論文 参考訳(メタデータ) (2022-09-05T14:32:19Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳(メタデータ) (2021-04-11T09:50:24Z) - Improving Deterministic Uncertainty Estimation in Deep Learning for
Classification and Regression [30.112634874443494]
単一前方通過における不確かさを推定する新しいモデルを提案する。
提案手法では,バイリプシッツ特徴抽出器とガウス過程の誘導点を組み合わせ,ロバストかつ原理的不確実性推定を行う。
論文 参考訳(メタデータ) (2021-02-22T23:29:12Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z) - Uncertainty-Based Out-of-Distribution Classification in Deep
Reinforcement Learning [17.10036674236381]
アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。
我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。
UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
論文 参考訳(メタデータ) (2019-12-31T09:52:49Z)
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。