論文の概要: Transparent and Clinically Interpretable AI for Lung Cancer Detection in Chest X-Rays

• arxiv url: http://arxiv.org/abs/2403.19444v1
• Date: Thu, 28 Mar 2024 14:15:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-29 16:04:18.895895
• Title: Transparent and Clinically Interpretable AI for Lung Cancer Detection in Chest X-Rays
• Title（参考訳）: 胸部X線による肺癌検出のための透明かつ臨床的に解釈可能なAI
• Authors: Amy Rafferty, Rishi Ramaesh, Ajitha Rajan,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.380494879018844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapidly advancing field of Explainable Artificial Intelligence (XAI) aims to tackle the issue of trust regarding the use of complex black-box deep learning models in real-world applications. Existing post-hoc XAI techniques have recently been shown to have poor performance on medical data, producing unreliable explanations which are infeasible for clinical use. To address this, we propose an ante-hoc approach based on concept bottleneck models which introduces for the first time clinical concepts into the classification pipeline, allowing the user valuable insight into the decision-making process. On a large public dataset of chest X-rays and associated medical reports, we focus on the binary classification task of lung cancer detection. Our approach yields improved classification performance in lung cancer detection when compared to baseline deep learning models (F1 > 0.9), while also generating clinically relevant and more reliable explanations than existing techniques. We evaluate our approach against post-hoc image XAI techniques LIME and SHAP, as well as CXR-LLaVA, a recent textual XAI tool which operates in the context of question answering on chest X-rays.
• Abstract（参考訳）: 説明可能な人工知能(XAI)の急速に進歩する分野は、現実世界のアプリケーションで複雑なブラックボックスのディープラーニングモデルを使用することに関する信頼の問題に取り組むことを目的としている。 既存のポストホックXAI技術は、医療データに乏しく、臨床利用には不適当な説明をもたらすことが最近示されている。 そこで本研究では,臨床概念を分類パイプラインに導入するコンセプト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。 胸部X線および関連する医療報告の大規模な公開データセットについて,肺がん検出のバイナリ分類課題に焦点をあてる。 本手法は, ベースライン深層学習モデル (F1 > 0.9) と比較して, 肺がん検出における分類性能の向上を図っている。 胸部X線による質問応答の文脈で動作する最近のテキストXAIツールであるCXR-LLaVAと同様に, ポストホック画像のXAI技術であるLIMEとSHAPに対するアプローチを評価した。

関連論文リスト

• Medical AI for Early Detection of Lung Cancer: A Survey [11.90341994990241]
  肺がんは世界中で致死率と死亡率の主要な原因の1つである。 コンピュータ支援診断システム(CAD)は肺結節の検出と分類に有効であることが証明されている。 深層学習アルゴリズムは肺結節解析の精度と効率を大幅に改善した。
  論文  参考訳（メタデータ） (2024-10-18T17:45:42Z)
• Clinical Domain Knowledge-Derived Template Improves Post Hoc AI Explanations in Pneumothorax Classification [17.369709288291393]
  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。
  論文  参考訳（メタデータ） (2024-03-26T11:40:06Z)
• DINO-CXR: A self supervised method based on vision transformer for chest X-ray classification [0.9883261192383611]
  本稿では,胸部X線分類のための視覚変換器に基づく自己監督法であるDINO-CXRを提案する。 肺炎とCOVID-19の両方の検出において提案法の有効性を示すために比較分析を行った。
  論文  参考訳（メタデータ） (2023-08-01T11:58:49Z)
• 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)
• Transfer learning method in the problem of binary classification of chest X-rays [0.0]
  胸部X線所見の迅速かつ迅速な検出により,早期に肺炎の発生を検出でき,即時治療を開始できる。 人工知能は、X線分析の手順を迅速かつ質的に改善し、不審な画像のさらなる考慮のために医師に勧告を与えることができる。
  論文  参考訳（メタデータ） (2023-03-19T08:35:47Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Automatic Generation of Interpretable Lung Cancer Scoring Models from Chest X-Ray Images [9.525711971667679]
  肺がんは世界中でがんの死因となっている。 深層学習技術は肺がんの診断に有効である。 これらの技術は、まだ医療コミュニティによって承認され、採用されていない。
  論文  参考訳（メタデータ） (2020-12-10T04:11:59Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。