論文の概要: Data Alchemy: Mitigating Cross-Site Model Variability Through Test Time Data Calibration
- arxiv url: http://arxiv.org/abs/2407.13632v1
- Date: Thu, 18 Jul 2024 16:03:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-19 14:41:26.071968
- Title: Data Alchemy: Mitigating Cross-Site Model Variability Through Test Time Data Calibration
- Title（参考訳）: データ錬金術:テスト時間データ校正によるクロスサイトモデルの変動の軽減
- Authors: Abhijeet Parida, Antonia Alomar, Zhifan Jiang, Pooneh Roshanitabrizi, Austin Tapp, Maria Ledesma-Carbayo, Ziyue Xu, Syed Muhammed Anwar, Marius George Linguraru, Holger R. Roth,
- Abstract要約: Data Alchemyは、テンプレート学習フレームワークによるテスト時間データキャリブレーションと組み合わせて、説明可能な染色正規化手法である。
我々のフレームワークは、最小限の運用オーバーヘッドで精密医療を普及させることができる。
- 参考スコア（独自算出の注目度）: 2.626662270750483
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deploying deep learning-based imaging tools across various clinical sites poses significant challenges due to inherent domain shifts and regulatory hurdles associated with site-specific fine-tuning. For histopathology, stain normalization techniques can mitigate discrepancies, but they often fall short of eliminating inter-site variations. Therefore, we present Data Alchemy, an explainable stain normalization method combined with test time data calibration via a template learning framework to overcome barriers in cross-site analysis. Data Alchemy handles shifts inherent to multi-site data and minimizes them without needing to change the weights of the normalization or classifier networks. Our approach extends to unseen sites in various clinical settings where data domain discrepancies are unknown. Extensive experiments highlight the efficacy of our framework in tumor classification in hematoxylin and eosin-stained patches. Our explainable normalization method boosts classification tasks' area under the precision-recall curve(AUPR) by 0.165, 0.545 to 0.710. Additionally, Data Alchemy further reduces the multisite classification domain gap, by improving the 0.710 AUPR an additional 0.142, elevating classification performance further to 0.852, from 0.545. Our Data Alchemy framework can popularize precision medicine with minimal operational overhead by allowing for the seamless integration of pre-trained deep learning-based clinical tools across multiple sites.
- Abstract（参考訳）: 様々な臨床現場にディープラーニングベースの画像ツールを配置することは、固有のドメインシフトと、サイト固有の微調整に関連する規制上のハードルにより、大きな課題となる。
病理組織学では、染色正規化技術は相違を緩和するが、サイト間変異を排除できないことが多い。
そこで,本研究では,テンプレート学習フレームワークによるテスト時間データ校正と組み合わせたステンレス正規化手法であるData Alchemyを提案し,クロスサイト解析における障壁を克服する。
Data Alchemyは、マルチサイトデータ固有のシフトを処理し、正規化や分類器ネットワークの重みを変更することなく、それを最小化する。
我々のアプローチは、データ領域の相違が不明な様々な臨床環境において、見当たらない部位にまで及んでいる。
ヘマトキシリンおよびエオシン染色パッチの腫瘍分類における枠組みの有効性について検討した。
説明可能な正規化法は,精度-リコール曲線(AUPR)における分類タスクの面積を0.165,0.545,0.710に向上させる。
さらに、Data Alchemyは、0.710 AUPRを0.142に改良し、0.545から0.852に分類性能を向上することで、マルチサイト分類領域のギャップをさらに減らした。
我々のData Alchemyフレームワークは、トレーニング済みのディープラーニングベースの臨床ツールを複数のサイトにわたってシームレスに統合することで、最小限の運用オーバーヘッドで精度の高い医療を普及させることができる。
関連論文リスト
- DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated
MR Images [2.352695945685781]
そこで本研究では,自動腫瘍セグメンテーションのための教師あり学習において,スパースアノテーションによるサンプル選択誤差を補正するトランスファーラーニング手法を提案する。
提案手法は,スパースおよび曖昧なアノテーションから,異なる組織クラスに対する高品質な分類法を導出する。
完全ラベル付きデータを用いたトレーニングと比較して, ラベル付け時間とトレーニング時間は, 精度を犠牲にすることなく, 70倍, 180倍に短縮した。
論文 参考訳（メタデータ） (2024-03-12T09:17:21Z) - PULASki: Learning inter-rater variability using statistical distances to
improve probabilistic segmentation [36.136619420474766]
本稿では,専門家アノテーションの変動を正確に捉えるバイオメディカルイメージセグメンテーションのためのPULASkiを提案する。
提案手法では,条件付き変分オートエンコーダ構造における統計的距離に基づいて,損失関数を改良した。
また,本手法は多ラベルセグメンテーションタスクにも適用可能であり,血行動態モデリングなどの下流タスクにも有用である。
論文 参考訳（メタデータ） (2023-12-25T10:31:22Z) - An Iterative Method for Unsupervised Robust Anomaly Detection Under Data
Contamination [24.74938110451834]
ほとんどの深層異常検出モデルは、データセットから正規性を学ぶことに基づいている。
実際、正規性仮定は実データ分布の性質によってしばしば破られる。
このギャップを減らし、より優れた正規性表現を実現するための学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-18T02:36:19Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Mixed-Integer Projections for Automated Data Correction of EMRs Improve
Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。
我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。
AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
論文 参考訳（メタデータ） (2023-08-21T15:14:49Z) - Semantic Perturbations with Normalizing Flows for Improved
Generalization [62.998818375912506]
我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。
トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
論文 参考訳（メタデータ） (2021-08-18T03:20:00Z) - Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。
本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。
この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。
本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-11T01:36:08Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。
本論文は異種性を受け入れ,マルチタスク学習問題として扱う。
提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
論文 参考訳（メタデータ） (2021-03-23T21:36:39Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。
また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
論文 参考訳（メタデータ） (2020-08-21T18:43:37Z)
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。