論文の概要: Revisiting Invariant Learning for Out-of-Domain Generalization on Multi-Site Mammogram Datasets

• arxiv url: http://arxiv.org/abs/2503.06759v1
• Date: Sun, 09 Mar 2025 20:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:48:29.932183
• Title: Revisiting Invariant Learning for Out-of-Domain Generalization on Multi-Site Mammogram Datasets
• Title（参考訳）: マルチサイトマンモグラムデータセットにおける外部領域一般化のための不変学習の再検討
• Authors: Hung Q. Vo, Samira Zare, Son T. Ly, Lin Wang, Chika F. Ezeana, Xiaohui Yu, Kelvin K. Wong, Stephen T. C. Wong, Hien V. Nguyen,
• Abstract要約: 本稿では,乳がんリスク評価における不変学習の適用性について,マンモグラフィーを用いて再検討する。 評価指標には、精度、平均精度、曲線下の面積が含まれる。 本研究では,マンモグラム分類における不変学習の利点,限界,課題について検討する。
• 参考スコア（独自算出の注目度）: 8.080495390226115
• License:
• Abstract: Despite significant progress in robust deep learning techniques for mammogram breast cancer classification, their reliability in real-world clinical development settings remains uncertain. The translation of these models to clinical practice faces challenges due to variations in medical centers, imaging protocols, and patient populations. To enhance their robustness, invariant learning methods have been proposed, prioritizing causal factors over misleading features. However, their effectiveness in clinical development and impact on mammogram classification require investigation. This paper reassesses the application of invariant learning for breast cancer risk estimation based on mammograms. Utilizing diverse multi-site public datasets, it represents the first study in this area. The objective is to evaluate invariant learning's benefits in developing robust models. Invariant learning methods, including Invariant Risk Minimization and Variance Risk Extrapolation, are compared quantitatively against Empirical Risk Minimization. Evaluation metrics include accuracy, average precision, and area under the curve. Additionally, interpretability is examined through class activation maps and visualization of learned representations. This research examines the advantages, limitations, and challenges of invariant learning for mammogram classification, guiding future studies to develop generalized methods for breast cancer prediction on whole mammograms in out-of-domain scenarios.
• Abstract（参考訳）: マンモグラム乳がん分類のための堅牢な深層学習技術の進歩にもかかわらず、実際の臨床開発環境における信頼性は未だ不明である。 これらのモデルの臨床的実践への変換は、医療センター、イメージングプロトコル、患者人口の変動による課題に直面している。 それらの頑健性を高めるために,誤解を招く特徴よりも因果的要因を優先する不変学習法が提案されている。 しかし, マンモグラフィーの分類と臨床開発における効果は調査が必要である。 本稿では,乳がんリスク評価における不変学習の適用性について,マンモグラムを用いて再検討する。 多様な多サイト公開データセットを利用することで、この領域における最初の研究である。 目的は、頑健なモデルを開発する際の不変学習の利点を評価することである。 不変リスク最小化や可変リスク外挿を含む不変学習方法は、経験的リスク最小化と定量的に比較される。 評価指標には、精度、平均精度、曲線下の面積が含まれる。 さらに、クラスアクティベーションマップと学習された表現の可視化を通して、解釈可能性について検討する。 本研究は,マンモグラム分類における不変学習の利点,限界,課題について考察し,領域外シナリオにおける乳がん予測の一般化手法を開発するための今後の研究を導くものである。

関連論文リスト

• Reliable Breast Cancer Molecular Subtype Prediction based on uncertainty-aware Bayesian Deep Learning by Mammography [0.0]
  深層学習法は, 種々の医用画像を用いた乳癌分類作業において, 良好な成績を示した。 完全なマンモグラム画像を用いた不確実性を考慮したベイズ深層学習モデルを提案する。 各サブタイプに対して提案されたモデルのAUCはそれぞれ0.71、0.75、0.86である。
  論文  参考訳（メタデータ） (2024-12-16T16:37:03Z)
• Predictive uncertainty estimation in deep learning for lung carcinoma classification in digital pathology under real dataset shifts [2.309018557701645]
  本稿では,予測不確実性推定が深層学習に基づく診断意思決定システムに堅牢性をもたらすか否かを評価する。 まず, モンテカルロの脱落, 深層アンサンブル, 肺腺癌分類の軽微な学習をスライド画像全体の一次疾患として, 予測不確実性を改善するための一般的な3つの方法について検討した。
  論文  参考訳（メタデータ） (2024-08-15T21:49:43Z)
• Mitigating annotation shift in cancer classification using single image generative models [1.1864334278373239]
  本研究は乳房マンモグラフィー領域における癌分類におけるアノテーションシフトをシミュレートし,解析し,緩和する。 本研究では, 影響のあるクラスに対して, 単一画像生成モデルに基づくトレーニングデータ拡張手法を提案する。 本研究は、深層学習乳癌分類におけるアノテーションシフトに関する重要な知見を提供し、ドメインシフトの課題を克服するための単一画像生成モデルの可能性を探る。
  論文  参考訳（メタデータ） (2024-05-30T07:02:50Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Three Applications of Conformal Prediction for Rating Breast Density in Mammography [5.634287524779709]
  乳房密度を評価することは臨床的に重要であるが、乳房密度が高く、腫瘍を閉塞する可能性が高い。 マンモグラフィー乳房密度評価のための深層学習手法の開発への関心が高まっている。 マンモグラフィーに応用するいくつかの予測タスクにおいて、ディープラーニングは印象的な性能を示したが、ディープラーニングシステムの臨床展開は、まだ比較的稀である。
  論文  参考訳（メタデータ） (2022-06-23T23:03:24Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Synthesizing lesions using contextual GANs improves breast cancer classification on mammograms [0.4297070083645048]
  本稿では, マンモグラムの病変を現実的に合成し, 除去するデータ拡張のための, GANモデルを提案する。 自己注意と半教師付き学習コンポーネントにより、U-netベースのアーキテクチャは高解像度(256x256px)の出力を生成することができる。
  論文  参考訳（メタデータ） (2020-05-29T21:23:00Z)

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。