論文の概要: Empirical Validation of Conformal Prediction for Trustworthy Skin Lesions Classification
- arxiv url: http://arxiv.org/abs/2312.07460v2
- Date: Sat, 16 Mar 2024 00:51:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 02:42:50.089201
- Title: Empirical Validation of Conformal Prediction for Trustworthy Skin Lesions Classification
- Title（参考訳）: 信頼できる皮膚病変分類のためのコンフォーマル予測の実証検証
- Authors: Jamil Fayyad, Shadi Alijani, Homayoun Najjaran,
- Abstract要約: 我々は、深層ニューラルネットワークにおける不確実性定量化を評価するために、コンフォーマル予測、モンテカルロドロップアウト、およびエビデンシャルディープラーニングアプローチを開発した。
結果: 実験結果から, 不確実性定量化はコンフォーマル予測法により著しく向上した。
我々の結論は、様々なテスト条件にまたがる整合予測の頑健で一貫した性能を強調している。
- 参考スコア（独自算出の注目度）: 3.7305040207339286
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and objective: Uncertainty quantification is a pivotal field that contributes to realizing reliable and robust systems. It becomes instrumental in fortifying safe decisions by providing complementary information, particularly within high-risk applications. existing studies have explored various methods that often operate under specific assumptions or necessitate substantial modifications to the network architecture to effectively account for uncertainties. The objective of this paper is to study Conformal Prediction, an emerging distribution-free uncertainty quantification technique, and provide a comprehensive understanding of the advantages and limitations inherent in various methods within the medical imaging field. Methods: In this study, we developed Conformal Prediction, Monte Carlo Dropout, and Evidential Deep Learning approaches to assess uncertainty quantification in deep neural networks. The effectiveness of these methods is evaluated using three public medical imaging datasets focused on detecting pigmented skin lesions and blood cell types. Results: The experimental results demonstrate a significant enhancement in uncertainty quantification with the utilization of the Conformal Prediction method, surpassing the performance of the other two methods. Furthermore, the results present insights into the effectiveness of each uncertainty method in handling Out-of-Distribution samples from domain-shifted datasets. Our code is available at: Conclusions: Our conclusion highlights a robust and consistent performance of conformal prediction across diverse testing conditions. This positions it as the preferred choice for decision-making in safety-critical applications.
- Abstract（参考訳）: 背景と目的: 不確実性定量化は信頼性と堅牢性の実現に寄与する重要な分野である。
これは、特にリスクの高いアプリケーションにおいて、補完的な情報を提供することによって、安全な意思決定の強化に役立ちます。
既存の研究は、しばしば特定の仮定の下で機能するか、不確実性を効果的に説明するためにネットワークアーキテクチャに実質的な変更を必要とする様々な手法を探索してきた。
本研究の目的は, 分布のない不確実性定量化手法であるコンフォーマル予測(Conformal Prediction)について検討し, 医療画像分野の様々な手法に固有の利点と限界を包括的に理解することである。
方法:本研究では,深層ニューラルネットワークにおける不確実性定量化を評価するために,コンフォーマル予測,モンテカルロドロップアウト,エビデンシャルディープラーニングアプローチを開発した。
これらの方法の有効性を,色素性皮膚病変および血液型の検出に焦点をあてた3つの医用画像データセットを用いて評価した。
結果: 実験結果から, コンフォーマル予測法を応用した不確実性定量化の顕著な向上が示され, その他の2手法の性能を上回った。
さらに、各不確実性手法の有効性について、ドメインシフトデータセットからのアウト・オブ・ディストリビューション・サンプルの扱いについて考察した。
結論: 結論は、さまざまなテスト条件にまたがる整合予測の堅牢で一貫したパフォーマンスを強調します。
これにより、安全クリティカルなアプリケーションにおいて、意思決定の選択肢として好まれる。
関連論文リスト
- Decision-Focused Uncertainty Quantification [32.93992587758183]
我々は、下流決定損失関数を考慮した予測セットを生成するために、共形予測に基づくフレームワークを開発する。
本手法は皮膚疾患の階層構造を効果的に取り入れた医療診断における実世界のユースケースを提案する。
論文 参考訳（メタデータ） (2024-10-02T17:22:09Z) - Predictive uncertainty estimation in deep learning for lung carcinoma classification in digital pathology under real dataset shifts [2.309018557701645]
本稿では,予測不確実性推定が深層学習に基づく診断意思決定システムに堅牢性をもたらすか否かを評価する。
まず, モンテカルロの脱落, 深層アンサンブル, 肺腺癌分類の軽微な学習をスライド画像全体の一次疾患として, 予測不確実性を改善するための一般的な3つの方法について検討した。
論文 参考訳（メタデータ） (2024-08-15T21:49:43Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Assessing Uncertainty Estimation Methods for 3D Image Segmentation under
Distribution Shifts [0.36832029288386137]
本稿では, 分布シフトしたサンプルを検出するために, 最先端ベイズ法と非ベイズ法を併用する可能性について検討する。
後部分布における一様あるいは多様の局面を捉えるために, 3つの異なる不確実性推定法を比較した。
その結果, 後方分布におけるマルチモーダル特性に対処できる手法により, より信頼性の高い不確実性推定が可能であることが示唆された。
論文 参考訳（メタデータ） (2024-02-10T12:23:08Z) - One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。
幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
論文 参考訳（メタデータ） (2023-12-16T14:59:11Z) - Benchmarking common uncertainty estimation methods with
histopathological images under domain shift and label noise [62.997667081978825]
リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。
我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。
我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
論文 参考訳（メタデータ） (2023-01-03T11:34:36Z) - 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) - 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) - 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) - Conformal Inference of Counterfactuals and Individual Treatment Effects [6.810856082577402]
そこで本研究では,反ファクトや個々の治療効果について,信頼できる間隔を推定できる共形推論に基づく手法を提案する。
既存の手法は、単純なモデルであってもかなりのカバレッジの欠陥に悩まされる。
論文 参考訳（メタデータ） (2020-06-11T01:03:32Z) - Interpretable Off-Policy Evaluation in Reinforcement Learning by
Highlighting Influential Transitions [48.91284724066349]
強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。
信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。
我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
論文 参考訳（メタデータ） (2020-02-10T00:26:43Z)
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。