Fugu-MT 論文翻訳(概要): Improving Model's Interpretability and Reliability using Biomarkers

論文の概要: Improving Model's Interpretability and Reliability using Biomarkers

arxiv url: http://arxiv.org/abs/2402.12394v1
Date: Fri, 16 Feb 2024 20:19:28 GMT
ステータス: 処理完了
システム内更新日: 2024-02-21 19:03:25.190873
Title: Improving Model's Interpretability and Reliability using Biomarkers
Title（参考訳）: バイオマーカーを用いたモデルの解釈性と信頼性の向上
Authors: Gautam Rajendrakumar Gare, Tom Fox, Beam Chansangavej, Amita Krishnan, Ricardo Luis Rodriguez, Bennett P deBoisblanc, Deva Kannan Ramanan, John Michael Galeotti
Abstract要約: 本研究の目的は,バイオマーカーを用いた決定木分類器による説明が,不正確なモデル予測を識別する能力を向上させるかどうかを評価することである。臨床的に確立されたバイオマーカーに基づく決定木説明は, 臨床医が偽陽性を検出できるように支援し, 医療における診断モデルの信頼性を向上させることが示唆された。
参考スコア（独自算出の注目度）: 0.04705265502876046
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Accurate and interpretable diagnostic models are crucial in the safety-critical field of medicine. We investigate the interpretability of our proposed biomarker-based lung ultrasound diagnostic pipeline to enhance clinicians' diagnostic capabilities. The objective of this study is to assess whether explanations from a decision tree classifier, utilizing biomarkers, can improve users' ability to identify inaccurate model predictions compared to conventional saliency maps. Our findings demonstrate that decision tree explanations, based on clinically established biomarkers, can assist clinicians in detecting false positives, thus improving the reliability of diagnostic models in medicine.
Abstract（参考訳）: 正確な診断モデルと解釈可能な診断モデルは、医療の安全性に重要な分野である。提案するバイオマーカーを用いた肺超音波診断パイプラインの解釈可能性を調査し,臨床医の診断能力を高める。本研究の目的は,バイオマーカーを用いた決定木分類器による説明が,従来のサリエンシマップと比較して不正確なモデル予測を識別する能力を向上させるかどうかを評価することである。臨床で確立されたバイオマーカーに基づく決定木説明は臨床医の偽陽性の検出を補助し,医療における診断モデルの信頼性を向上させる。

関連論文リスト

Methodological Explainability Evaluation of an Interpretable Deep Learning Model for Post-Hepatectomy Liver Failure Prediction Incorporating Counterfactual Explanations and Layerwise Relevance Propagation: A Prospective In Silico Trial [13.171582596404313]
術前PHLF予測のための可変オートエンコーダ-多層パーセプトロン (VAE-MLP) モデルを開発した。このモデルは、その意思決定メカニズムに関する洞察を提供するために、カウンターファクトアルとレイヤワイズ関連伝播(LRP)を統合した。サイリコ臨床試験の3トラックの結果、AIの説明が提供されると、臨床医の予測精度と信頼性が向上した。
論文参考訳（メタデータ） (2024-08-07T13:47:32Z)
Enhancing predictive imaging biomarker discovery through treatment effect analysis [2.8300022117286523]
本研究は,前処理画像を利用して新たな因果関係を明らかにすることを目的とした,予測画像バイオマーカーの発見に焦点を当てた。以前のアプローチは、労働集約的な手工芸や手作業による特徴に依存しており、バイアスをもたらす可能性がある。本稿では,モデルが予測画像バイオマーカーを識別し,それを認識できないものと区別する能力を評価するための評価プロトコルを提案する。
論文参考訳（メタデータ） (2024-06-04T17:54:44Z)
A marker-less human motion analysis system for motion-based biomarker discovery in knee disorders [60.99112047564336]
NHSは低リスクの全ての患者に会うのが難しくなっているが、これはOA患者に限らない。膝関節疾患の診断と治療経過のモニタリングのためのバイオマーカー自動同定法を提案する。
論文参考訳（メタデータ） (2023-04-26T16:47:42Z)
This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-16T10:12:07Z)
COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文参考訳（メタデータ） (2022-04-24T07:38:37Z)
Improving generalization of machine learning-identified biomarkers with causal modeling: an investigation into immune receptor diagnostics [2.40246230430283]
我々は、最近確立された高次元バイオマーカー-アダプティブ免疫受容体レパートリー(AIRRs)に焦点をあてる。因果モデリングは,変数間の安定な関係を同定することにより,機械学習に基づくバイオマーカーの堅牢性を向上させる。
論文参考訳（メタデータ） (2022-04-20T08:15:54Z)
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)
Adversarial Factor Models for the Generation of Improved Autism Diagnostic Biomarkers [19.48133927082379]
自閉症スペクトラム障害 (ASD) 診断のためのバイオマーカーの改良に, 逆線形因子モデルを適用した。まず, 逆線形因子モデルを用いてバイオマーカーから共起情報を除去し, ASD 上の関連する情報のみを含むことを実証する。次に, このモデルを用いて, 予測性能が向上する多モードバイオマーカーの非交叉表現を学習できることを示す。
論文参考訳（メタデータ） (2021-09-24T21:56:30Z)
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)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。