論文の概要: MERIT: Multi-view Evidential learning for Reliable and Interpretable liver fibrosis sTaging

• arxiv url: http://arxiv.org/abs/2405.02918v1
• Date: Sun, 5 May 2024 12:52:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 17:40:45.794361
• Title: MERIT: Multi-view Evidential learning for Reliable and Interpretable liver fibrosis sTaging
• Title（参考訳）: MERIT: 信頼性・解釈性肝線維症ステーティングのための多視点エビデンシャルラーニング
• Authors: Yuanye Liu, Zheyao Gao, Nannan Shi, Fuping Wu, Yuxin Shi, Qingchao Chen, Xiahai Zhuang,
• Abstract要約: 本稿では,MERITと呼ばれる顕在的学習に基づく新しいマルチビュー手法を提案する。 MERITは、予測の不確実性を可能とし、信頼性を高め、論理ベースの組み合わせルールを用いて解釈性を向上させる。 その結果、提案したMERITの有効性を示し、信頼性を強調し、アドホックとポストホックの両方の解釈性を提供する。
• 参考スコア（独自算出の注目度）: 29.542924813666698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate staging of liver fibrosis from magnetic resonance imaging (MRI) is crucial in clinical practice. While conventional methods often focus on a specific sub-region, multi-view learning captures more information by analyzing multiple patches simultaneously. However, previous multi-view approaches could not typically calculate uncertainty by nature, and they generally integrate features from different views in a black-box fashion, hence compromising reliability as well as interpretability of the resulting models. In this work, we propose a new multi-view method based on evidential learning, referred to as MERIT, which tackles the two challenges in a unified framework. MERIT enables uncertainty quantification of the predictions to enhance reliability, and employs a logic-based combination rule to improve interpretability. Specifically, MERIT models the prediction from each sub-view as an opinion with quantified uncertainty under the guidance of the subjective logic theory. Furthermore, a distribution-aware base rate is introduced to enhance performance, particularly in scenarios involving class distribution shifts. Finally, MERIT adopts a feature-specific combination rule to explicitly fuse multi-view predictions, thereby enhancing interpretability. Results have showcased the effectiveness of the proposed MERIT, highlighting the reliability and offering both ad-hoc and post-hoc interpretability. They also illustrate that MERIT can elucidate the significance of each view in the decision-making process for liver fibrosis staging.
• Abstract（参考訳）: MRI(MRI)による肝線維症の正確な経過観察は臨床的に重要である。 従来の手法は特定のサブリージョンにフォーカスすることが多いが、マルチビュー学習は複数のパッチを同時に分析することでより多くの情報を取得する。 しかし、従来のマルチビューアプローチは本質的に不確実性を計算することができず、一般にブラックボックス方式で異なるビューの特徴を統合するため、信頼性と結果のモデルの解釈性が向上する。 本研究では,MERITと呼ばれる顕在的学習に基づく新しいマルチビュー手法を提案する。 MERITは、予測の不確実な定量化を可能にし、信頼性を高め、論理ベースの組み合わせルールを用いて解釈性を向上させる。 具体的には、MERITは主観論理理論の指導の下で、各サブビューからの予測を、定量化された不確実性のある意見としてモデル化する。 さらに、特にクラス分散シフトを含むシナリオにおいて、性能を高めるために、分散対応ベースレートを導入している。 最後に、MERITは機能固有の組み合わせルールを採用し、多視点予測を明示的に融合させ、解釈可能性を高める。 その結果、提案したMERITの有効性を示し、信頼性を強調し、アドホックとポストホックの両方の解釈性を提供する。 彼らはまた、MERITが肝線維症のステージングにおける決定過程における各ビューの重要性を解明できることを示した。

関連論文リスト

• Inter Observer Variability Assessment through Ordered Weighted Belief Divergence Measure in MAGDM Application to the Ensemble Classifier Feature Fusion [1.3586572110652486]
  コンセンサス結果を得るために,多属性グループ意思決定(MAGDM)が広く導入されている。 本研究では,観測間の変動を評価し,不確実性に対処するEvidential MAGDM法を提案する。
  論文  参考訳（メタデータ） (2024-09-13T00:53:00Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• ELFNet: Evidential Local-global Fusion for Stereo Matching [17.675146012208124]
  ステレオマッチングのためのtextbfEvidential textbfLocal-global textbfFusion (ELF) フレームワークを提案する。 不確実性推定と信頼に値する頭部との信頼を意識した融合の両方を付与する。
  論文  参考訳（メタデータ） (2023-08-01T15:51:04Z)
• A Reliable and Interpretable Framework of Multi-view Learning for Liver Fibrosis Staging [13.491056805108183]
  肝線維化の進行は肝疾患患者の診断と治療計画に重要である。 腹部磁気共鳴画像(MRI)を用いた最新の深層学習法は、通常、肝臓のサブリージョンを入力として扱う。 我々は,この課題を多視点学習問題として定式化し,肝臓の複数の部分領域を用いる。
  論文  参考訳（メタデータ） (2023-06-21T06:53:51Z)
• Variational Distillation for Multi-View Learning [104.17551354374821]
  我々は,多視点表現学習における2つの重要な特徴を利用するために,様々な情報ボトルネックを設計する。 厳密な理論的保証の下で,本手法は,観察とセマンティックラベルの内在的相関の把握を可能にする。
  論文  参考訳（メタデータ） (2022-06-20T03:09:46Z)
• Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
  信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。 TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2022-04-25T03:48:49Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)

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。