論文の概要: Generalizable and Explainable Deep Learning for Medical Image Computing: An Overview

• arxiv url: http://arxiv.org/abs/2503.08420v1
• Date: Tue, 11 Mar 2025 13:31:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:45:07.895036
• Title: Generalizable and Explainable Deep Learning for Medical Image Computing: An Overview
• Title（参考訳）: 医用画像処理のための一般化可能で説明可能なディープラーニング: 概観
• Authors: Ahmad Chaddad, Yan Hu, Yihang Wu, Binbin Wen, Reem Kateb,
• Abstract要約: 本稿では,医用画像用ディープラーニング(DL)における汎用的・説明可能な人工知能の概要について述べる。 我々は,脳腫瘍,皮膚癌,胸部X線という3つの医学的データセットに4つのCNNを用いて医用画像分類を行うことを提案する。
• 参考スコア（独自算出の注目度）: 3.6586909519359607
• License:
• Abstract: Objective. This paper presents an overview of generalizable and explainable artificial intelligence (XAI) in deep learning (DL) for medical imaging, aimed at addressing the urgent need for transparency and explainability in clinical applications. Methodology. We propose to use four CNNs in three medical datasets (brain tumor, skin cancer, and chest x-ray) for medical image classification tasks. In addition, we perform paired t-tests to show the significance of the differences observed between different methods. Furthermore, we propose to combine ResNet50 with five common XAI techniques to obtain explainable results for model prediction, aiming at improving model transparency. We also involve a quantitative metric (confidence increase) to evaluate the usefulness of XAI techniques. Key findings. The experimental results indicate that ResNet50 can achieve feasible accuracy and F1 score in all datasets (e.g., 86.31\% accuracy in skin cancer). Furthermore, the findings show that while certain XAI methods, such as XgradCAM, effectively highlight relevant abnormal regions in medical images, others, like EigenGradCAM, may perform less effectively in specific scenarios. In addition, XgradCAM indicates higher confidence increase (e.g., 0.12 in glioma tumor) compared to GradCAM++ (0.09) and LayerCAM (0.08). Implications. Based on the experimental results and recent advancements, we outline future research directions to enhance the robustness and generalizability of DL models in the field of biomedical imaging.
• Abstract（参考訳）: 目的。 本稿では,臨床応用における透明性と説明可能性の急激なニーズに対応することを目的とした,医用画像用ディープラーニング(DL)における汎用的・説明可能な人工知能(XAI)の概要について述べる。 方法論。 我々は,脳腫瘍,皮膚癌,胸部X線という3つの医学的データセットに4つのCNNを用いて医用画像分類を行うことを提案する。 さらに,異なる手法間で観察される差異の意義を示すために,ペアt検定を行った。 さらに,ResNet50と5つの共通XAI技術を組み合わせて,モデルの透明性向上を目的としたモデル予測のための説明可能な結果を得ることを提案する。 また,XAI技術の有用性を評価するために,定量的な尺度(信頼度の増加)も含んでいる。 主な発見。 実験の結果、ResNet50はすべてのデータセット(例えば、皮膚がんでは86.31\%の精度)において、実現可能な精度とF1スコアを達成できることが示されている。 さらに,XgradCAMなどの特定のXAI法は,医療画像の関連領域を効果的に強調するが,EigenGradCAMなどのXAI法では,特定のシナリオでは効果が低い可能性が示唆された。 さらに、XgradCAMはGradCAM++ (0.09) やLayerCAM (0.08) よりも高い信頼度(グリオーマ腫瘍では0.12)を示す。 意味。 実験結果と最近の進歩に基づき,バイオメディカルイメージング分野におけるDLモデルの堅牢性と一般化性を高めるための今後の研究の方向性を概説する。

関連論文リスト

• GRAPHITE: Graph-Based Interpretable Tissue Examination for Enhanced Explainability in Breast Cancer Histopathology [14.812589661794592]
  GRAPHITEは、乳がん組織マイクロアレイ(TMA)解析のために設計された、ポストホックな説明可能なフレームワークである。 140個の腫瘍TMAコアと4個の良性スライド画像から140個の良性サンプルを作成し,53個の病理組織学的TMAサンプルで試験した。 平均平均精度(mAP)は0.56、受信機動作特性曲線(AUROC)は0.94、しきい値ロバスト性(ThR)は0.70である。
  論文  参考訳（メタデータ） (2025-01-08T00:54:43Z)
• Enhancing Transfer Learning for Medical Image Classification with SMOTE: A Comparative Study [0.0]
  本稿では,医療画像における多ラベル画像分類へのトランスファーラーニング(TL)の適用について検討し,拡張する。 以上の結果から, TLモデルは脳腫瘍の分類に優れ, ほぼ最適測定値が得られた。 我々は,SMOTE(Synthetic Minority Oversampling Computing Technique)とTLと従来の機械学習(ML)手法を統合し,精度を1.97%向上し,リコール(感度)を5.43%向上し,特異度を0.72%向上させる。
  論文  参考訳（メタデータ） (2024-12-28T18:15:07Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Increasing Melanoma Diagnostic Confidence: Forcing the Convolutional Network to Learn from the Lesion [0.9143713488498512]
  EfficientNetモデルによりメラノーマ認識を改善する新しい手法を提案する。 モデルは、ネットワークをトレーニングして、病変を検出し、検出された病変から特徴を学習する。 実験の結果,提案手法は受信機動作特性曲線の平均値(平均AUC)を0.9から0.922に高めることにより,診断精度を向上させた。
  論文  参考訳（メタデータ） (2023-05-16T15:34:12Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• A Deep Learning Study on Osteosarcoma Detection from Histological Images [6.341765152919201]
  最も一般的な悪性骨腫瘍は骨肉腫である。 CNNは、外科医の作業量を著しく減らし、患者の状態の予後を良くする。 CNNは、より信頼できるパフォーマンスを達成するために、大量のデータをトレーニングする必要があります。
  論文  参考訳（メタデータ） (2020-11-02T18:16:17Z)
• Predictive modeling of brain tumor: A Deep learning approach [0.0]
  本稿では3つの事前学習モデルを用いて脳MRIスキャンを2つのクラスに分類する畳み込みニューラルネットワーク(CNN)に基づく伝達学習手法を提案する。 実験の結果, Resnet-50モデルが最も精度が高く, 偽陰率は95%, ゼロであった。
  論文  参考訳（メタデータ） (2019-11-06T09:27:48Z)

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。