論文の概要: Rescuing referral failures during automated diagnosis of domain-shifted
medical images
- arxiv url: http://arxiv.org/abs/2311.16766v1
- Date: Tue, 28 Nov 2023 13:14:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 18:34:31.113759
- Title: Rescuing referral failures during automated diagnosis of domain-shifted
medical images
- Title（参考訳）: 領域シフト医用画像の自動診断における参照障害の回避
- Authors: Anuj Srivastava, Karm Patel, Pradeep Shenoy, Devarajan Sridharan
- Abstract要約: 異なる人口層から取得した医療画像や、別の技術を用いて測定した場合、最先端の領域一般化アプローチでさえ、参照中に深刻な失敗を犯すことが示される。
我々は,これらの障害を解消し,大幅な性能向上を実現する,ロバストな一般化とポストホック参照アプローチの新たな組み合わせを評価する。
- 参考スコア（独自算出の注目度）: 17.349847762608086
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of deep learning models deployed in the real world depends
critically on their ability to generalize well across diverse data domains.
Here, we address a fundamental challenge with selective classification during
automated diagnosis with domain-shifted medical images. In this scenario,
models must learn to avoid making predictions when label confidence is low,
especially when tested with samples far removed from the training set
(covariate shift). Such uncertain cases are typically referred to the clinician
for further analysis and evaluation. Yet, we show that even state-of-the-art
domain generalization approaches fail severely during referral when tested on
medical images acquired from a different demographic or using a different
technology. We examine two benchmark diagnostic medical imaging datasets
exhibiting strong covariate shifts: i) diabetic retinopathy prediction with
retinal fundus images and ii) multilabel disease prediction with chest X-ray
images. We show that predictive uncertainty estimates do not generalize well
under covariate shifts leading to non-monotonic referral curves, and severe
drops in performance (up to 50%) at high referral rates (>70%). We evaluate
novel combinations of robust generalization and post hoc referral approaches,
that rescue these failures and achieve significant performance improvements,
typically >10%, over baseline methods. Our study identifies a critical
challenge with referral in domain-shifted medical images and finds key
applications in reliable, automated disease diagnosis.
- Abstract（参考訳）: 現実世界にデプロイされたディープラーニングモデルの成功は、さまざまなデータドメインにまたがって適切に一般化できる能力に大きく依存する。
ここでは、ドメインシフト医療画像の自動診断における選択分類の根本的な課題に対処する。
このシナリオでは、特にトレーニングセットから遠く離れたサンプルでテストされた場合(コ変量シフト)、ラベルの信頼性が低い場合の予測を避けるためにモデルが学習しなければならない。
このような不確実な症例は一般的に、さらなる分析と評価のために臨床医に言及される。
しかし,最先端のドメイン一般化アプローチでさえ,異なる年齢層から取得した医用画像や異なる技術を用いた場合,参照中は極めて失敗することが判明した。
強変量シフトを示す2つのベンチマーク診断医用画像データセットについて検討した。
i)網膜底像と糖尿病網膜症予測
二 胸部x線画像による多発性病変の予測
予測の不確実性推定は,非単調な参照曲線に繋がる共変量シフトの下では十分に一般化せず,高い参照率 (>70%) で高い性能低下 (最大50%) を示す。
我々は,これらの障害を解消し,ベースライン法よりも10%以上の大幅な性能向上を実現する,ロバストな一般化とポストホックレファレンシャルアプローチの新たな組み合わせを評価する。
本研究は,領域シフト医療画像におけるレファラールの重要な課題を特定し,信頼性の高い自動疾患診断における重要な応用を見出す。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Reconstruction of Patient-Specific Confounders in AI-based Radiologic
Image Interpretation using Generative Pretraining [12.656718786788758]
本稿では,DiffChestと呼ばれる自己条件拡散モデルを提案し,胸部X線画像のデータセット上で訓練する。
DiffChest氏は、患者固有のレベルでの分類を説明し、モデルを誤解させる可能性のある要因を視覚化する。
本研究は,医用画像分類における拡散モデルに基づく事前訓練の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-09-29T10:38:08Z) - Multi-Label Classification of Thoracic Diseases using Dense Convolutional Network on Chest Radiographs [0.0]
そこで本研究では,1回の検査で複数の病態を検出できる多ラベル疾患予測モデルを提案する。
提案モデルでは,AUCスコアが0.896であった。
論文 参考訳（メタデータ） (2022-02-08T00:43:57Z) - Label uncertainty-guided multi-stream model for disease screening [17.633322372675572]
本稿では,サーバ内変動を不確実性問題とみなし,ラベルの不確実性情報をガイダンスとして組み込んで最終決定を改善する。
主な考え方は、画像を不確実性情報によって単純で難しいケースに分割し、異なるケースを別々に扱うマルチストリームネットワークを開発することである。
基礎画像を用いた緑内障検診ケーススタディの実験により, 提案モデルは, 特にハードケース検診において, いくつかの基準線より優れていることが示された。
論文 参考訳（メタデータ） (2022-01-28T12:53:18Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Assessing glaucoma in retinal fundus photographs using Deep Feature
Consistent Variational Autoencoders [63.391402501241195]
緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。
緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。
ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
論文 参考訳（メタデータ） (2021-10-04T16:06:49Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Quantifying and Leveraging Predictive Uncertainty for Medical Image
Assessment [13.330243305948278]
本稿では,分類の確率的推定だけでなく,明確な不確実性も学習するシステムを提案する。
我々は,異なる放射線検査による医用画像のあいまいさを考慮に入れることが重要であると論じる。
本実験では, 予測不確実性に基づくサンプルの拒絶が, 様々なタスクにおけるROC-AUCを大幅に改善できることを実証した。
論文 参考訳（メタデータ） (2020-07-08T16:47:55Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。