論文の概要: An Explainable Machine Learning Framework for the Accurate Diagnosis of
Ovarian Cancer
- arxiv url: http://arxiv.org/abs/2312.08381v1
- Date: Mon, 11 Dec 2023 16:52:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-16 03:06:50.446226
- Title: An Explainable Machine Learning Framework for the Accurate Diagnosis of
Ovarian Cancer
- Title（参考訳）: 卵巣癌の正確な診断のための説明可能な機械学習フレームワーク
- Authors: Asif Newaz, Abdullah Taharat, Md Sakibul Islam, A.G.M. Fuad Hasan
Akanda
- Abstract要約: 卵巣癌(Ovarian cancer, OC)は、女性において最も多いがんの1つである。
女性の大多数は、効果的なバイオマーカーと正確なスクリーニングツールがないため、高度な段階で診断される。
本研究は閉経前および閉経後における異なるバイオマーカーを示唆する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ovarian cancer (OC) is one of the most prevalent types of cancer in women.
Early and accurate diagnosis is crucial for the survival of the patients.
However, the majority of women are diagnosed in advanced stages due to the lack
of effective biomarkers and accurate screening tools. While previous studies
sought a common biomarker, our study suggests different biomarkers for the
premenopausal and postmenopausal populations. This can provide a new
perspective in the search for novel predictors for the effective diagnosis of
OC. Lack of explainability is one major limitation of current AI systems. The
stochastic nature of the ML algorithms raises concerns about the reliability of
the system as it is difficult to interpret the reasons behind the decisions. To
increase the trustworthiness and accountability of the diagnostic system as
well as to provide transparency and explanations behind the predictions,
explainable AI has been incorporated into the ML framework. SHAP is employed to
quantify the contributions of the selected biomarkers and determine the most
discriminative features. A hybrid decision support system has been established
that can eliminate the bottlenecks caused by the black-box nature of the ML
algorithms providing a safe and trustworthy AI tool. The diagnostic accuracy
obtained from the proposed system outperforms the existing methods as well as
the state-of-the-art ROMA algorithm by a substantial margin which signifies its
potential to be an effective tool in the differential diagnosis of OC.
- Abstract（参考訳）: 卵巣癌(Ovarian cancer、OC)は、女性において最も多いがんの1つである。
早期かつ正確な診断は患者の生存に不可欠である。
しかし、ほとんどの女性は、効果的なバイオマーカーと正確なスクリーニングツールがないため、高度な段階で診断される。
これまでの研究では共通のバイオマーカーが求められていたが,閉経前と閉経後では異なるバイオマーカーが提案されている。
これは、OCの効果的な診断のための新しい予測器の探索において、新しい視点を提供することができる。
説明責任の欠如は、現在のAIシステムの大きな制限のひとつだ。
mlアルゴリズムの確率的性質は、決定の背後にある理由を解釈することが困難であるため、システムの信頼性に関する懸念を引き起こす。
診断システムの信頼性と説明責任を高め、予測の背後にある透明性と説明を提供するために、説明可能なAIがMLフレームワークに組み込まれている。
SHAPは、選択されたバイオマーカーの寄与を定量化し、最も識別性の高い特徴を決定するために使用される。
安全で信頼性の高いAIツールを提供するMLアルゴリズムのブラックボックスの性質に起因するボトルネックを解消できるハイブリッドな意思決定支援システムが確立されている。
提案システムから得られた診断精度は,既存の手法と最先端のROMAアルゴリズムを,OCの鑑別診断において有効なツールとなる可能性を示すかなりのマージンで上回る。
関連論文リスト
- Two new feature selection methods based on learn-heuristic techniques for breast cancer prediction: A comprehensive analysis [6.796017024594715]
帝国主義競争アルゴリズム(ICA)とバットアルゴリズム(BA)に基づく2つの新しい特徴選択法を提案する。
本研究は, 診断モデルの効率を向上し, 臨床医師がこれまでよりもはるかに正確かつ信頼性の高い意思決定を行えるよう包括的分析を行うことを目的とする。
論文 参考訳（メタデータ） (2024-07-19T19:07:53Z) - Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer
Learning Method [0.0]
本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。
ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。
提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
論文 参考訳（メタデータ） (2023-12-01T10:37:02Z) - Intelligent Breast Cancer Diagnosis with Heuristic-assisted
Trans-Res-U-Net and Multiscale DenseNet using Mammogram Images [0.0]
乳癌(BC)は、女性のがん関連死亡率に大きく寄与する。
悪性の腫瘤を正確に識別することは 依然として困難です
マンモグラフィ画像を用いたBCGスクリーニングのための新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-30T10:22:14Z) - Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework
for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。
放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文 参考訳（メタデータ） (2023-08-27T22:07:42Z) - EOCSA: Predicting Prognosis of Epithelial Ovarian Cancer with Whole
Slide Histopathological Images [22.227676868758195]
卵巣がんは、世界中の女性を脅かす最も深刻ながんの1つである。
本研究では,病的全スライド画像(WSI)に基づいてEOC患者の予後を解析するEOCSAというディープフレームワークを設計した。
実験の結果,本フレームワークは0.980Cインデクスの最先端性能を実現していることがわかった。
論文 参考訳（メタデータ） (2022-10-11T08:40:40Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳（メタデータ） (2022-02-17T08:33:52Z) - Interpretability methods of machine learning algorithms with
applications in breast cancer diagnosis [1.1470070927586016]
我々は,グローバルサロゲート(GS)法,個人期待(ICE)プロット,条件シェープ値(SV)などの解釈可能性技術を用いた。
乳がん診断における最良の成績は,提案したERN(精度96.6%,ROC曲線0.96)により得られた。
論文 参考訳（メタデータ） (2022-02-04T13:41:30Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer
Diagnosis in Breast Ultrasound Images [69.41441138140895]
本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。
提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。
臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
論文 参考訳（メタデータ） (2021-10-05T19:14:46Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z)
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。