論文の概要: Clinical Domain Knowledge-Derived Template Improves Post Hoc AI Explanations in Pneumothorax Classification
- arxiv url: http://arxiv.org/abs/2403.18871v1
- Date: Tue, 26 Mar 2024 11:40:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-29 20:23:28.499331
- Title: Clinical Domain Knowledge-Derived Template Improves Post Hoc AI Explanations in Pneumothorax Classification
- Title（参考訳）: 臨床領域の知識に基づくテンプレートは気胸分類におけるポストホックAI説明を改善する
- Authors: Han Yuan, Chuan Hong, Pengtao Jiang, Gangming Zhao, Nguyen Tuan Anh Tran, Xinxing Xu, Yet Yen Yan, Nan Liu,
- Abstract要約: 本稿では, 気胸の臨床知識をモデル説明に組み込むテンプレート誘導アプローチを提案する。
われわれはまず気胸発生の潜在領域を示すテンプレートを作成した。
このテンプレートはモデル説明に重ねて、余分な説明をフィルタリングする。
- 参考スコア（独自算出の注目度）: 17.369709288291393
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: Pneumothorax is an acute thoracic disease caused by abnormal air collection between the lungs and chest wall. To address the opaqueness often associated with deep learning (DL) models, explainable artificial intelligence (XAI) methods have been introduced to outline regions related to pneumothorax diagnoses made by DL models. However, these explanations sometimes diverge from actual lesion areas, highlighting the need for further improvement. Method: We propose a template-guided approach to incorporate the clinical knowledge of pneumothorax into model explanations generated by XAI methods, thereby enhancing the quality of these explanations. Utilizing one lesion delineation created by radiologists, our approach first generates a template that represents potential areas of pneumothorax occurrence. This template is then superimposed on model explanations to filter out extraneous explanations that fall outside the template's boundaries. To validate its efficacy, we carried out a comparative analysis of three XAI methods with and without our template guidance when explaining two DL models in two real-world datasets. Results: The proposed approach consistently improved baseline XAI methods across twelve benchmark scenarios built on three XAI methods, two DL models, and two datasets. The average incremental percentages, calculated by the performance improvements over the baseline performance, were 97.8% in Intersection over Union (IoU) and 94.1% in Dice Similarity Coefficient (DSC) when comparing model explanations and ground-truth lesion areas. Conclusions: In the context of pneumothorax diagnoses, we proposed a template-guided approach for improving AI explanations. We anticipate that our template guidance will forge a fresh approach to elucidating AI models by integrating clinical domain expertise.
- Abstract（参考訳）: 背景:気胸は肺と胸壁の間の異常な空気の収集によって引き起こされる急性胸腺疾患である。
深層学習(DL)モデルに係わる不透明性に対処するため、説明可能な人工知能(XAI)手法が、DLモデルによる気胸診断に関連する領域に導入されている。
しかし、これらの説明は時々実際の病変領域から分岐し、さらなる改善の必要性を浮き彫りにする。
方法:XAI法によるモデル説明に気胸の臨床知識を取り入れ,これらの説明の質を高めるためのテンプレート誘導手法を提案する。
放射線医が生み出した病変の1つを利用して, 気胸発生の潜在的な領域を示すテンプレートを最初に生成する。
このテンプレートはモデル説明に重ねて、テンプレートの境界外にある余分な説明をフィルタリングする。
実世界の2つのデータセットで2つのDLモデルを説明する際に,テンプレートガイダンスを使わずに3つのXAI手法の比較分析を行った。
結果:提案手法は,3つのXAIメソッドと2つのDLモデル,2つのデータセット上に構築された12のベンチマークシナリオに対して,一貫してベースラインXAIメソッドを改善した。
ベースライン性能に対する性能改善によって算出された平均インクリメンタルパーセンテージは、IoU(Intersection over Union)では97.8%、DSC(Dice similarity Coefficient)では94.1%であった。
結論: Pneumothorax 診断の文脈において,我々は,AI説明を改善するためのテンプレート誘導アプローチを提案した。
我々は、臨床領域の専門知識を統合することで、AIモデルを解明するための新しいアプローチを期待する。
関連論文リスト
- Transparent and Clinically Interpretable AI for Lung Cancer Detection in Chest X-Rays [2.380494879018844]
既存のポストホックXAI技術は医療データに乏しいことが示されている。
本稿では,臨床概念を分類パイプラインに導入した概念ボトルネックモデルに基づくアンテホックなアプローチを提案する。
本手法は, ベースライン深層学習モデルと比較して, 肺癌検出における分類性能の向上を図っている。
論文 参考訳（メタデータ） (2024-03-28T14:15:13Z) - Variational Autoencoders for Feature Exploration and Malignancy
Prediction of Lung Lesions [0.0]
肺がんはイギリスで21%のがん死の原因となっている。
最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。
本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
論文 参考訳（メタデータ） (2023-11-27T11:12:33Z) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳（メタデータ） (2023-06-02T01:46:31Z) - Towards Trust of Explainable AI in Thyroid Nodule Diagnosis [0.0]
我々は,甲状腺結節診断アプリケーションにおけるブラックボックスAIモデルの予測を説明するために,最先端のeXplainable AI(XAI)手法を適用した。
我々は,検出された結節が存在しない場合を説明するために,新しい統計ベースのXAI手法,すなわちカーネル密度推定と密度マップを提案する。
論文 参考訳（メタデータ） (2023-03-08T17:18:13Z) - A Data Augmentation Method and the Embedding Mechanism for Detection and
Classification of Pulmonary Nodules on Small Samples [10.006124666261229]
新しいデータ拡張方法と埋め込み機構の2つの戦略が導入された。
肺結節検出のための拡張手法を用いた3DVNETモデルの結果,提案手法がGAN(Generative Adversarial Network)の枠組みに基づく手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-03-02T13:58:45Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Ensembling Handcrafted Features with Deep Features: An Analytical Study
for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。
以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
論文 参考訳（メタデータ） (2022-02-22T06:48:50Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - 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)
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。