論文の概要: On the calibration of neural networks for histological slide-level classification

• arxiv url: http://arxiv.org/abs/2312.09719v1
• Date: Fri, 15 Dec 2023 11:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-18 16:04:30.085218
• Title: On the calibration of neural networks for histological slide-level classification
• Title（参考訳）: 組織学的スライドレベル分類のためのニューラルネットワークの校正について
• Authors: Alexander Kurz, Hendrik A. Mehrtens, Tabea-Clara Bucher, Titus J. Brinker
• Abstract要約: 我々は、パッチレベルの特徴表現と、それらの分類性能に関するスライドレベルの予測を組み合わせた3つのニューラルネットワークアーキテクチャを比較した。 我々は、トランスフォーマーが分類性能と校正の点で良い結果をもたらすことを観察する。
• 参考スコア（独自算出の注目度）: 47.99822253865054
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep Neural Networks have shown promising classification performance when predicting certain biomarkers from Whole Slide Images in digital pathology. However, the calibration of the networks' output probabilities is often not evaluated. Communicating uncertainty by providing reliable confidence scores is of high relevance in the medical context. In this work, we compare three neural network architectures that combine feature representations on patch-level to a slide-level prediction with respect to their classification performance and evaluate their calibration. As slide-level classification task, we choose the prediction of Microsatellite Instability from Colorectal Cancer tissue sections. We observe that Transformers lead to good results in terms of classification performance and calibration. When evaluating the classification performance on a separate dataset, we observe that Transformers generalize best. The investigation of reliability diagrams provides additional insights to the Expected Calibration Error metric and we observe that especially Transformers push the output probabilities to extreme values, which results in overconfident predictions.
• Abstract（参考訳）: ディープニューラルネットワークは、デジタル病理学におけるスライド画像全体から特定のバイオマーカーを予測する際に有望な分類性能を示している。 しかし、ネットワークの出力確率のキャリブレーションは評価されないことが多い。 信頼性スコアを提供することによる不確実性のコミュニケーションは、医学的文脈において高い関連性を持つ。 本研究では,パッチレベルの特徴表現とスライドレベルの予測を組み合わせた3つのニューラルネットワークアーキテクチャの分類性能を比較し,キャリブレーションを評価する。 スライドレベルの分類課題として,大腸癌組織からマイクロサテライト不安定性の予測を行う。 我々はトランスフォーマーが分類性能と校正の点で良い結果をもたらすことを観察する。 別データセットで分類性能を評価する際,Transformerが最適であることを示す。 信頼性図の調査は、期待された校正誤差測定値にさらなる洞察を与え、特にトランスフォーマーが出力確率を極端な値に押し上げ、過度な予測をもたらすことを観察する。

関連論文リスト

• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Bayesian Layer Graph Convolutioanl Network for Hyperspetral Image Classification [24.91896527342631]
  グラフ畳み込みネットワーク(GCN)ベースのモデルは、素晴らしいパフォーマンスを示している。 点推定に基づくディープラーニングフレームワークは、一般化が低く、分類結果の不確実性を定量化できない。 本稿では,点推定に基づくニューラルネットワークへの挿入層としてベイズ的アイデアを用いたベイズ的層を提案する。 HSIデータセットのサンプル不均衡問題を解決するためにGAN(Generative Adversarial Network)が構築されている。
  論文  参考訳（メタデータ） (2022-11-14T12:56:56Z)
• On double-descent in uncertainty quantification in overparametrized models [24.073221004661427]
  不確かさの定量化は、信頼性と信頼性のある機械学習における中心的な課題である。 最適正規化推定器のキャリブレーション曲線において, 分類精度とキャリブレーションのトレードオフを示す。 これは経験的ベイズ法とは対照的であり、高次一般化誤差と過度パラメトリゼーションにもかかわらず、我々の設定では十分に校正されていることを示す。
  論文  参考訳（メタデータ） (2022-10-23T16:01:08Z)
• What Makes Graph Neural Networks Miscalibrated? [48.00374886504513]
  グラフニューラルネットワーク(GNN)の校正特性に関する系統的研究を行う。 我々は,GNNのキャリブレーションに影響を与える5つの要因を同定する: 一般信頼度傾向, ノード単位の予測分布の多様性, 訓練ノード間距離, 相対信頼度, 近傍類似度。 我々は,グラフニューラルネットワークのキャリブレーションに適した新しいキャリブレーション手法であるグラフアテンション温度スケーリング(GATS)を設計する。
  論文  参考訳（メタデータ） (2022-10-12T16:41:42Z)
• Bayesian Neural Network Versus Ex-Post Calibration For Prediction Uncertainty [0.2343856409260935]
  ニューラルネットワークからの確率的予測は、分類中の予測の不確実性の原因となる。 実際には、ほとんどのデータセットは非確率的ニューラルネットワークでトレーニングされています。 キャリブレーションアプローチのもっともらしい代替手段は、予測分布を直接モデル化するベイズニューラルネットワークを使用することである。
  論文  参考訳（メタデータ） (2022-09-29T07:22:19Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• On Calibration of Graph Neural Networks for Node Classification [29.738179864433445]
  グラフニューラルネットワークは、ノード分類やリンク予測といったタスクのためのエンティティとエッジの埋め込みを学ぶ。 これらのモデルは精度で優れた性能を発揮するが、予測に付随する信頼性スコアは校正されないかもしれない。 本稿では,近隣ノードを考慮に入れたトポロジ対応キャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2022-06-03T13:48:10Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Improved Trainable Calibration Method for Neural Networks on Medical Imaging Classification [17.941506832422192]
  経験的に、ニューラルネットワークは、しばしば彼らの予測を誤解し、過度に信ずる。 本稿では,モデルキャリブレーションを大幅に改善しつつ,全体の分類精度を維持する新しいキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2020-09-09T01:25:53Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。