論文の概要: Closing the AI generalization gap by adjusting for dermatology condition
distribution differences across clinical settings
- arxiv url: http://arxiv.org/abs/2402.15566v1
- Date: Fri, 23 Feb 2024 19:07:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 17:58:44.312009
- Title: Closing the AI generalization gap by adjusting for dermatology condition
distribution differences across clinical settings
- Title（参考訳）: 臨床場面における皮膚科疾患の分布差の調整によるai一般化ギャップの閉鎖
- Authors: Rajeev V. Rikhye, Aaron Loh, Grace Eunhae Hong, Preeti Singh, Margaret
Ann Smith, Vijaytha Muralidharan, Doris Wong, Rory Sayres, Michelle Phung,
Nicolas Betancourt, Bradley Fong, Rachna Sahasrabudhe, Khoban Nasim, Alec
Eschholz, Basil Mustafa, Jan Freyberg, Terry Spitz, Yossi Matias, Greg S.
Corrado, Katherine Chou, Dale R. Webster, Peggy Bui, Yuan Liu, Yun Liu,
Justin Ko, Steven Lin
- Abstract要約: 我々は,これまで見つからなかったデータに基づいてAIアルゴリズムを評価した場合,皮膚の状態分布の違いがエラーの主な原因であることを示した。
以上の結果から, 凍結埋込モデル上の分類層のみに比較して, エンド・ツー・エンドの微調整と微調整に比較した性能が示唆された。
- 参考スコア（独自算出の注目度）: 17.345850219146424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, there has been great progress in the ability of artificial
intelligence (AI) algorithms to classify dermatological conditions from
clinical photographs. However, little is known about the robustness of these
algorithms in real-world settings where several factors can lead to a loss of
generalizability. Understanding and overcoming these limitations will permit
the development of generalizable AI that can aid in the diagnosis of skin
conditions across a variety of clinical settings. In this retrospective study,
we demonstrate that differences in skin condition distribution, rather than in
demographics or image capture mode are the main source of errors when an AI
algorithm is evaluated on data from a previously unseen source. We demonstrate
a series of steps to close this generalization gap, requiring progressively
more information about the new source, ranging from the condition distribution
to training data enriched for data less frequently seen during training. Our
results also suggest comparable performance from end-to-end fine tuning versus
fine tuning solely the classification layer on top of a frozen embedding model.
Our approach can inform the adaptation of AI algorithms to new settings, based
on the information and resources available.
- Abstract（参考訳）: 近年,臨床写真から皮膚科疾患を分類する人工知能(ai)アルゴリズムが進歩している。
しかし、いくつかの要因が一般化可能性を失う可能性がある実世界において、これらのアルゴリズムの堅牢性についてはほとんど知られていない。
これらの制限を理解し、克服することで、さまざまな臨床環境における皮膚状態の診断を支援する汎用AIの開発が可能になる。
本稿では,これまで見つからなかったデータに基づいてAIアルゴリズムを評価した場合,人口統計や画像キャプチャーモードではなく,皮膚の状態分布の違いがエラーの主な原因であることを実証する。
我々は、この一般化ギャップを埋める一連のステップを実証し、条件分布からトレーニング中にあまり見られないデータに富んだトレーニングデータまで、新たなソースに関する情報を徐々に必要とします。
また, 凍結埋め込みモデル上での分類層のみに比較して, エンドツーエンドの微調整と微調整を比較した。
我々のアプローチは、利用可能な情報とリソースに基づいて、AIアルゴリズムの新たな設定への適応を通知することができる。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - The Limits of Fair Medical Imaging AI In The Wild [43.97266228706059]
医療用AIが人口統計エンコーディングをどのように利用するかを検討する。
医療画像AIは、疾患分類において、人口動態のショートカットを利用することを確認した。
人口統計属性のエンコーディングが少ないモデルは、しばしば「グローバルに最適」であることがわかった。
論文 参考訳（メタデータ） (2023-12-11T18:59:50Z) - Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。
機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。
本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-02T04:42:08Z) - Transformer-based interpretable multi-modal data fusion for skin lesion
classification [0.40964539027092917]
皮膚科における皮膚病変分類では、深層学習システムは、意思決定プロセスの透明性が限られているため、まだ初期段階にある。
本手法は,画像に富み,患者データに富む環境において,最先端のシングルモーダルかつマルチモーダルなDLアーキテクチャを克服する。
論文 参考訳（メタデータ） (2023-04-03T11:45:27Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - AI Progress in Skin Lesion Analysis [0.0]
暗黒個体における皮膚画像の欠如に関するAIバイアスの問題、興味のある病変や領域を正確に検出、デライン化、セグメント化できること、ローショットラーニングに関する問題。
ベースラインアルゴリズムと比較すると,肌質解析アルゴリズムは優雅に劣化し,低撮影時でも良好に機能する。
論文 参考訳（メタデータ） (2020-09-28T13:44:50Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。