論文の概要: ProtoEEGNet: An Interpretable Approach for Detecting Interictal Epileptiform Discharges

• arxiv url: http://arxiv.org/abs/2312.10056v1
• Date: Sun, 3 Dec 2023 19:00:08 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 14:01:24.948953
• Title: ProtoEEGNet: An Interpretable Approach for Detecting Interictal Epileptiform Discharges
• Title（参考訳）: ProtoEEGNet:Interictal Epileptiform Dischargesの検出のための解釈可能なアプローチ
• Authors: Dennis Tang, Frank Willard, Ronan Tegerdine, Luke Triplett, Jon Donnelly, Luke Moffett, Lesia Semenova, Alina Jade Barnett, Jin Jing, Cynthia Rudin, Brandon Westover
• Abstract要約: 脳波記録(EEG)では、間質性てんかん性放電(IEDs)の存在は発作や発作のような出来事に対する重要なバイオマーカーとして機能する。 本稿では,IED検出の最先端精度を実現するモデルであるProtoEEGNetを紹介し,その分類の解釈可能な正当性を提供する。
• 参考スコア（独自算出の注目度）: 15.997723075264895
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In electroencephalogram (EEG) recordings, the presence of interictal epileptiform discharges (IEDs) serves as a critical biomarker for seizures or seizure-like events.Detecting IEDs can be difficult; even highly trained experts disagree on the same sample. As a result, specialists have turned to machine-learning models for assistance. However, many existing models are black boxes and do not provide any human-interpretable reasoning for their decisions. In high-stakes medical applications, it is critical to have interpretable models so that experts can validate the reasoning of the model before making important diagnoses. We introduce ProtoEEGNet, a model that achieves state-of-the-art accuracy for IED detection while additionally providing an interpretable justification for its classifications. Specifically, it can reason that one EEG looks similar to another ''prototypical'' EEG that is known to contain an IED. ProtoEEGNet can therefore help medical professionals effectively detect IEDs while maintaining a transparent decision-making process.
• Abstract（参考訳）: 脳波記録(EEG)では、間質性てんかん性放電(IEDs)の存在は発作や発作様事象の重要バイオマーカーとして機能し、IEDの検出は困難であり、高度に訓練された専門家でさえ同じサンプルについて意見が一致しない。 その結果、専門家は支援のための機械学習モデルに移行した。 しかし、既存のモデルの多くはブラックボックスであり、決定に対する人間解釈可能な推論は提供していない。 高度な医療応用においては、重要な診断を行う前に、専門家がモデルの推論を検証できるように解釈可能なモデルを持つことが重要である。 本稿では,IED検出の最先端精度を実現するモデルであるProtoEEGNetを紹介し,その分類の解釈可能な正当性を提供する。 具体的には、ある脳波が別の「原型的」な脳波と類似していることは、iadを含むことが知られている。 プロトEEGNetは、透明な意思決定プロセスを維持しながら、医療専門家がIEDを効果的に検出するのに役立つ。

関連論文リスト

• STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG [0.08030359871216612]
  脳磁図(MEG)を用いたてんかん間葉状放電(IED)の非侵襲的検出 深層学習(DL)は臨床MEGの実践に革命をもたらす可能性がある。 我々は,2つの畳み込みニューラルネットワークと時間的(1次元時間軸)および空間的(2次元トポグラフィー)特徴を組み合わせた,強力で教師付きなDLアルゴリズムであるSTIEDを開発した。
  論文  参考訳（メタデータ） (2024-10-30T18:41:22Z)
• The Limits of Perception: Analyzing Inconsistencies in Saliency Maps in XAI [0.0]
  説明可能な人工知能(XAI)は、AIの意思決定プロセスの解明に不可欠である。 ブラックボックス」として機能し、その理由が曖昧でアクセスできないため、誤診のリスクが高まる。 この透明性へのシフトは、単に有益であるだけでなく、医療におけるAI統合の責任を負うための重要なステップでもある。
  論文  参考訳（メタデータ） (2024-03-23T02:15:23Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Improving Clinician Performance in Classification of EEG Patterns on the Ictal-Interictal-Injury Continuum using Interpretable Machine Learning [15.548202338334615]
  集中治療室(ICUs)では、重度の脳損傷を防ぐために、重度疾患のある患者は脳波(EEGs)で監視される。 ブラックボックスのディープラーニングモデルは信頼できない、トラブルシューティングが難しい、現実世界のアプリケーションでは説明責任が欠如している。 本稿では,有害脳波パターンの存在を予測する新しい解釈可能な深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2022-11-09T21:33:40Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm [70.50499513259322]
  現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。 高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。 われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
  論文  参考訳（メタデータ） (2021-07-21T07:05:42Z)
• Automated Detection of Abnormal EEGs in Epilepsy With a Compact and Efficient CNN Model [9.152759278163954]
  本稿では,脳波の異常時間間隔と電極を検出するための,コンパクトで効率的な畳み込みニューラルネットワーク(CNN)の開発について述べる。 EEGNetとは異なり、提案モデルであるmEEGNetは同じ数の電極入力と出力を持ち、異常を検出する。 その結果、mEEGNetは、曲線下における異常脳波、F1値、および既存のCNNと同等以上の感度を検出できた。
  論文  参考訳（メタデータ） (2021-05-21T16:52:56Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。