論文の概要: Expert-aware uncertainty estimation for quality control of neural-based blood typing

• arxiv url: http://arxiv.org/abs/2407.11181v1
• Date: Mon, 15 Jul 2024 19:07:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 19:31:15.417322
• Title: Expert-aware uncertainty estimation for quality control of neural-based blood typing
• Title（参考訳）: 神経型血液型の品質管理のためのエキスパート認識不確実性評価
• Authors: Ekaterina Zaychenkova, Dmitrii Iarchuk, Sergey Korchagin, Alexey Zaitsev, Egor Ershov,
• Abstract要約: 医学的診断において、神経モデルに対する正確な不確実性推定は、二次対位法の補完に不可欠である。 ここでの大きな難点は、サンプルの硬さにラベルがないことである。 我々の新しいアプローチは、ニューラルネットワークの学習プロセスにケース複雑性のエキスパートアセスメントを統合し、決定的なターゲットラベルと補足的複雑性評価の両方を活用する。 実験では、不確実性予測におけるアプローチの強化、専門家ラベルによる2.5倍の改善、およびニューラルネットワークの専門家コンセンサスの推定によるパフォーマンスの35%向上が示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In medical diagnostics, accurate uncertainty estimation for neural-based models is essential for complementing second-opinion systems. Despite neural network ensembles' proficiency in this problem, a gap persists between actual uncertainties and predicted estimates. A major difficulty here is the lack of labels on the hardness of examples: a typical dataset includes only ground truth target labels, making the uncertainty estimation problem almost unsupervised. Our novel approach narrows this gap by integrating expert assessments of case complexity into the neural network's learning process, utilizing both definitive target labels and supplementary complexity ratings. We validate our methodology for blood typing, leveraging a new dataset "BloodyWell" unique in augmenting labeled reaction images with complexity scores from six medical specialists. Experiments demonstrate enhancement of our approach in uncertainty prediction, achieving a 2.5-fold improvement with expert labels and a 35% increase in performance with estimates of neural-based expert consensus.
• Abstract（参考訳）: 医学的診断において、神経モデルに対する正確な不確実性推定は、二次対位法の補完に不可欠である。 この問題におけるニューラルネットワークの習熟度にもかかわらず、実際の不確実性と予測された見積もりの間のギャップは持続する。 ここでの大きな課題は、サンプルの硬さに関するラベルの欠如である。典型的なデータセットは、真実のターゲットラベルのみを含み、不確実性推定問題をほとんど教師なしにする。 我々の新しいアプローチは、ニューラルネットワークの学習プロセスにケース複雑性のエキスパートアセスメントを統合することでこのギャップを狭め、決定的なターゲットラベルと補足的な複雑性評価の両方を活用する。 6名の医療専門家の複雑性スコアとラベル付きリアクション画像の増大に特有なデータセット"BloodyWell"を活用することで,血液型判定の方法論を検証した。 実験では、不確実性予測におけるアプローチの強化、専門家ラベルによる2.5倍の改善、およびニューラルネットワークの専門家コンセンサスの推定によるパフォーマンスの35%向上が示されている。

関連論文リスト

• Deep Evidential Learning for Radiotherapy Dose Prediction [0.0]
  本稿では放射線治療用線量予測分野におけるDeep Evidential Learningと呼ばれる不確実性定量化フレームワークの新たな応用法を提案する。 このモデルは,ネットワークトレーニング完了時の予測誤差と相関関係を持つ不確実性推定に有効に活用できることを見出した。
  論文  参考訳（メタデータ） (2024-04-26T02:43:45Z)
• Uncertainty in Graph Contrastive Learning with Bayesian Neural Networks [101.56637264703058]
  変分ベイズニューラルネットワークは不確実性推定を改善するために有効であることを示す。 比較学習における不確実性の新たな尺度を提案するが、これは異なる正のサンプルによる可能性の相違に基づくものである。
  論文  参考訳（メタデータ） (2023-11-30T22:32:24Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• BayesNetCNN: incorporating uncertainty in neural networks for image-based classification tasks [0.29005223064604074]
  本稿では,標準的なニューラルネットワークをベイズニューラルネットワークに変換する手法を提案する。 本研究では,各前方パスにおいて,元のものと類似した異なるネットワークをサンプリングすることにより,予測のばらつきを推定する。 我々は、アルツハイマー病患者の脳画像の大きなコホートを用いて、我々のモデルを検証した。
  論文  参考訳（メタデータ） (2022-09-27T01:07:19Z)
• Beyond Voxel Prediction Uncertainty: Identifying brain lesions you can trust [1.1199585259018459]
  ディープニューラルネットワークは、3D医療画像の自動セグメンテーションにおけるゴールドスタンダードのアプローチとなっている。 本研究では,革新的なグラフニューラルネットワークアプローチを用いて,ボクセルによる評価を超えることを提案する。 このネットワークは、エントロピー、分散、モデルの信頼という、ボクセルの不確実性の3つの推定器の融合を可能にする。
  論文  参考訳（メタデータ） (2022-09-22T09:20:05Z)
• Residual Error: a New Performance Measure for Adversarial Robustness [85.0371352689919]
  ディープラーニングの広く普及を制限する大きな課題は、敵の攻撃に対する脆弱さである。 本研究は,ディープニューラルネットワークの対角強靭性を評価するための新しい性能尺度である残留誤差の概念を提示する。 画像分類を用いた実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-06-18T16:34:23Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Deep Bayesian Gaussian Processes for Uncertainty Estimation in Electronic Health Records [30.65770563934045]
  我々はディープ・ベイズ学習フレームワークの特徴とディープ・カーネル・ラーニングを融合させ、より包括的な不確実性推定に両手法の強みを活用する。 我々は,不均衡なデータセットにおけるマイノリティクラスにおいて,過度に信頼された予測を行うことに対して,我々の手法はより感受性が低いことを示す。
  論文  参考訳（メタデータ） (2020-03-23T10:36:52Z)

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。