論文の概要: Perils of Label Indeterminacy: A Case Study on Prediction of Neurological Recovery After Cardiac Arrest

• arxiv url: http://arxiv.org/abs/2504.04243v1
• Date: Sat, 05 Apr 2025 18:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:13:20.413057
• Title: Perils of Label Indeterminacy: A Case Study on Prediction of Neurological Recovery After Cardiac Arrest
• Title（参考訳）: ラベル不確定性障害の1例 : 心停止後の神経学的回復予測について
• Authors: Jakob Schoeffer, Maria De-Arteaga, Jonathan Elmer,
• Abstract要約: 本稿では,ラベルの不確定性の概念を導入し,AIを用いた意思決定において重要な意味を導出する。 本研究は,心停止後のコマトース患者の回復の予測に焦点をあてた医療場面における実証的研究である。 本研究は, ラベル不確定性は, 既知ラベルの患者に対して, 同様に機能するが, ラベルが不明な患者に対する予測において, 大きく異なるモデルであることが示唆された。
• 参考スコア（独自算出の注目度）: 10.081997902005236
• License:
• Abstract: The design of AI systems to assist human decision-making typically requires the availability of labels to train and evaluate supervised models. Frequently, however, these labels are unknown, and different ways of estimating them involve unverifiable assumptions or arbitrary choices. In this work, we introduce the concept of label indeterminacy and derive important implications in high-stakes AI-assisted decision-making. We present an empirical study in a healthcare context, focusing specifically on predicting the recovery of comatose patients after resuscitation from cardiac arrest. Our study shows that label indeterminacy can result in models that perform similarly when evaluated on patients with known labels, but vary drastically in their predictions for patients where labels are unknown. After demonstrating crucial ethical implications of label indeterminacy in this high-stakes context, we discuss takeaways for evaluation, reporting, and design.
• Abstract（参考訳）: 人間の意思決定を支援するAIシステムの設計には、典型的には、教師付きモデルのトレーニングと評価のためのラベルの入手が必要である。 しかし、これらのラベルはよく知られておらず、それらを推定する方法には検証不可能な仮定や任意の選択が含まれる。 本研究では,ラベルの不確定性の概念を導入し,AIを用いた意思決定において重要な意味を導出する。 本研究は,心停止後のコマトース患者の回復の予測に焦点をあてた医療場面における実証的研究である。 本研究は, ラベル不確定性は, 既知ラベルの患者に対して, 同様に機能するが, ラベルが不明な患者に対する予測において, 大きく異なるモデルであることが示唆された。 この高い文脈におけるラベルの不確定性の重要な倫理的意味を実証した後、評価、報告、設計の取組みについて論じる。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• From Biased Selective Labels to Pseudo-Labels: An Expectation-Maximization Framework for Learning from Biased Decisions [9.440055827786596]
  異種検閲という,臨床に着想を得た選択的ラベル問題について検討した。 Disparate Censorship expectation-Maximization (DCEM)は、このような検閲の存在下で学習するためのアルゴリズムである。
  論文  参考訳（メタデータ） (2024-06-27T03:33:38Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• On the Ramifications of Human Label Uncertainty [17.906197972126325]
  ヒトラベルの不確実性(HLU)の関連について検討する。 本研究では,人為的なラベルを必要とせず,新たな自然景観統計(NSS)に基づくラベル希釈訓練手法を提案する。 実験と分析により,NSSによるラベル希釈によるトレーニングは,HLUによる不適切な影響を緩和することが示された。
  論文  参考訳（メタデータ） (2022-11-10T21:05:38Z)
• Avoiding Biased Clinical Machine Learning Model Performance Estimates in the Presence of Label Selection [3.3944964838781093]
  ラベル選択の3つのクラスを記述し、5つの因果的シナリオをシミュレートし、特定の選択メカニズムが、一般的に報告されているバイナリ機械学習モデルパフォーマンス指標の組に偏っているかを評価する。 その結果, 観測個体群におけるAUROCの有意な推定値が, 実成績を最大20%下回っていることがわかった。 このような格差は、成功した臨床意思決定支援ツールの誤った終了につながるのに十分大きな可能性がある。
  論文  参考訳（メタデータ） (2022-09-15T22:30:14Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Label-dependent and event-guided interpretable disease risk prediction using EHRs [8.854691034104071]
  本稿では,ラベル依存型,事象誘導型リスク予測モデル(LERP)を提案する。 我々は、リスクラベルの名前にセマンティックに類似した医療メモからの単語に注意を向けるラベル依存メカニズムを採用する。 臨床イベントは患者の健康状態も示すことができるため,このモデルではイベントからの情報を活用して,医療記録のイベント誘導表現を生成する。
  論文  参考訳（メタデータ） (2022-01-18T07:24:28Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Q-Pain: A Question Answering Dataset to Measure Social Bias in Pain Management [5.044336341666555]
  痛み管理の文脈におけるQAのバイアスを評価するためのデータセットであるQ-Painを紹介する。 本稿では, 治療決定の際に生じる潜在的なバイアスを測定するための, 実験設計のサンプルを含む, 厳密な新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T21:55:28Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。