論文の概要: Deep learning with noisy labels in medical prediction problems: a scoping review
- arxiv url: http://arxiv.org/abs/2403.13111v1
- Date: Tue, 19 Mar 2024 19:24:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 18:47:08.643827
- Title: Deep learning with noisy labels in medical prediction problems: a scoping review
- Title（参考訳）: 医学予測問題におけるノイズラベルを用いた深層学習--スコーピングレビュー
- Authors: Yishu Wei, Yu Deng, Cong Sun, Mingquan Lin, Hongmei Jiang, Yifan Peng,
- Abstract要約: 本研究の目的は,深層学習に基づく医療予測問題における騒音管理のラベル付けを包括的に検討することである。
2016年から2023年の間に、合計60の論文が包括的基準を満たした。
医療研究の標準要素としてラベルノイズを検討することを推奨する。
- 参考スコア（独自算出の注目度）: 14.279891046240387
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objectives: Medical research faces substantial challenges from noisy labels attributed to factors like inter-expert variability and machine-extracted labels. Despite this, the adoption of label noise management remains limited, and label noise is largely ignored. To this end, there is a critical need to conduct a scoping review focusing on the problem space. This scoping review aims to comprehensively review label noise management in deep learning-based medical prediction problems, which includes label noise detection, label noise handling, and evaluation. Research involving label uncertainty is also included. Methods: Our scoping review follows the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines. We searched 4 databases, including PubMed, IEEE Xplore, Google Scholar, and Semantic Scholar. Our search terms include "noisy label AND medical / healthcare / clinical", "un-certainty AND medical / healthcare / clinical", and "noise AND medical / healthcare / clinical". Results: A total of 60 papers met inclusion criteria between 2016 and 2023. A series of practical questions in medical research are investigated. These include the sources of label noise, the impact of label noise, the detection of label noise, label noise handling techniques, and their evaluation. Categorization of both label noise detection methods and handling techniques are provided. Discussion: From a methodological perspective, we observe that the medical community has been up to date with the broader deep-learning community, given that most techniques have been evaluated on medical data. We recommend considering label noise as a standard element in medical research, even if it is not dedicated to handling noisy labels. Initial experiments can start with easy-to-implement methods, such as noise-robust loss functions, weighting, and curriculum learning.
- Abstract（参考訳）: 目的: 医学研究は、専門家間の多様性や機械抽出ラベルといった要因によるノイズの多いラベルによる重大な課題に直面します。
それにもかかわらず、ラベルノイズ管理の採用は限定的であり、ラベルノイズはほとんど無視されている。
この目的のためには,問題領域に着目したスクーピングレビューを実施することが不可欠である。
本研究の目的は,ラベルノイズ検出,ラベルノイズハンドリング,評価を含む深層学習に基づく医療予測問題において,ラベルノイズ管理を包括的にレビューすることである。
ラベルの不確実性に関する研究も含んでいる。
方法】Scoping review following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) guidelines。
PubMed、IEEE Xplore、Google Scholar、Semantic Scholarの4つのデータベースを検索しました。
検索用語は,「ノイズラベルと医療/医療/臨床」「不確実性と医療/医療/臨床」「ノイズと医療/医療/臨床」である。
結果: 2016年から2023年の間に合計60の論文が包括的基準を満たした。
医学研究における一連の実践的課題について検討する。
これにはラベルノイズの発生源、ラベルノイズの影響、ラベルノイズの検出、ラベルノイズハンドリング技術、評価が含まれる。
ラベルノイズ検出手法とハンドリング手法の両方を分類する。
考察: 方法論的観点から, 医療コミュニティは, より広範な深層学習コミュニティと最新のものであることを観察し, 医療データに基づいてほとんどの技術が評価されていることを考察した。
医療研究の標準要素としてラベルノイズを検討することを推奨する。
最初の実験は、ノイズロバスト損失関数、重み付け、カリキュラム学習など、簡単に実装できる方法から始めることができる。
関連論文リスト
- Training Gradient Boosted Decision Trees on Tabular Data Containing Label Noise for Classification Tasks [1.261491746208123]
本研究の目的は,ラベルノイズが勾配ブースト決定木に及ぼす影響とそれらの効果を緩和する方法を検討することである。
提案手法は,成人のデータセットに対して最先端のノイズ検出性能を示し,成人および乳癌のデータセットに対して最も高い分類精度とリコールを実現する。
論文 参考訳（メタデータ） (2024-09-13T09:09:24Z) - How does self-supervised pretraining improve robustness against noisy
labels across various medical image classification datasets? [9.371321044764624]
ノイズラベルは、特にディープラーニングにおいて、医療画像の分類に大きな影響を及ぼす可能性がある。
ラベル付きデータに依存しない自己教師付き事前トレーニングは、ノイズのあるラベルに対する堅牢性を高めることができる。
以上の結果から,DermNetは5つのデータセットの中で最も難易度が高いが,ノイズのあるラベルに対して強い堅牢性を示すことがわかった。
論文 参考訳（メタデータ） (2024-01-15T22:29:23Z) - Robust Medical Image Classification from Noisy Labeled Data with Global
and Local Representation Guided Co-training [73.60883490436956]
本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。
ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。
また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
論文 参考訳（メタデータ） (2022-05-10T07:50:08Z) - Learning to Aggregate and Refine Noisy Labels for Visual Sentiment
Analysis [69.48582264712854]
本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。
本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。
公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
論文 参考訳（メタデータ） (2021-09-15T18:18:28Z) - Co-Correcting: Noise-tolerant Medical Image Classification via mutual
Label Correction [5.994566233473544]
本稿では,Co-Correctingという耐雑音性医用画像分類フレームワークを提案する。
分類精度を大幅に向上させ、デュアルネットワーク相互学習、ラベル確率推定、カリキュラムラベルの修正を通じてより正確なラベルを得る。
実験により, 様々なタスクにおいて, 雑音比の異なるコココレクショニングが最適な精度と一般化を実現することが示された。
論文 参考訳（メタデータ） (2021-09-11T02:09:52Z) - Improving Medical Image Classification with Label Noise Using
Dual-uncertainty Estimation [72.0276067144762]
医用画像における2種類のラベルノイズについて論じ,定義する。
医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-28T14:56:45Z) - A Second-Order Approach to Learning with Instance-Dependent Label Noise [58.555527517928596]
ラベルノイズの存在は、しばしばディープニューラルネットワークのトレーニングを誤解させる。
人間による注釈付きラベルのエラーは、タスクの難易度レベルに依存する可能性が高いことを示しています。
論文 参考訳（メタデータ） (2020-12-22T06:36:58Z) - Deep Learning from Small Amount of Medical Data with Noisy Labels: A
Meta-Learning Approach [0.0]
コンピュータビジョンシステムは、適切にトレーニングするために、正しくラベル付けされた大きなデータセットを必要とする。
医療画像データセットは通常小さく、各データは学習において非常に重要である。
本稿ではメタラーニングパラダイムを利用したラベルノイズ・ロバスト学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-14T10:39:44Z) - Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。
クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。
提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
論文 参考訳（メタデータ） (2020-07-05T11:49:17Z) - Towards Noise-resistant Object Detection with Noisy Annotations [119.63458519946691]
ディープオブジェクト検出器の訓練には、正確なオブジェクトラベルとバウンディングボックス座標を持つ、相当量の人間の注釈画像が必要である。
ノイズの多いアノテーションはずっと簡単にアクセスできますが、学習には有害かもしれません。
ノイズにはラベルノイズとバウンディングボックスノイズが混在している。
論文 参考訳（メタデータ） (2020-03-03T01:32:16Z)
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。