論文の概要: Going beyond explainability in multi-modal stroke outcome prediction models
- arxiv url: http://arxiv.org/abs/2504.06299v1
- Date: Mon, 07 Apr 2025 09:56:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-10 13:06:54.299307
- Title: Going beyond explainability in multi-modal stroke outcome prediction models
- Title（参考訳）: マルチモーダルストローク結果予測モデルにおける説明可能性を超えて
- Authors: Jonas Brändli, Maurice Schneeberger, Lisa Herzog, Loran Avci, Nordin Dari, Martin Häansel, Hakim Baazaoui, Pascal Bühler, Susanne Wegener, Beate Sick,
- Abstract要約: 我々は、xAI法であるGrad-CAMとOcclusionをマルチモーダル、部分的に解釈可能なディープトランスフォーメーションモデル(dTM)に適用する。
DTMは,曲線(AUC)の値が0.8に近い領域で,最先端の予測性能を実現する。
前頭葉などの重要な脳領域が強調された機能的結果のための脳画像dTMから算出した説明地図。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Aim: This study aims to enhance interpretability and explainability of multi-modal prediction models integrating imaging and tabular patient data. Methods: We adapt the xAI methods Grad-CAM and Occlusion to multi-modal, partly interpretable deep transformation models (dTMs). DTMs combine statistical and deep learning approaches to simultaneously achieve state-of-the-art prediction performance and interpretable parameter estimates, such as odds ratios for tabular features. Based on brain imaging and tabular data from 407 stroke patients, we trained dTMs to predict functional outcome three months after stroke. We evaluated the models using different discriminatory metrics. The adapted xAI methods were used to generated explanation maps for identification of relevant image features and error analysis. Results: The dTMs achieve state-of-the-art prediction performance, with area under the curve (AUC) values close to 0.8. The most important tabular predictors of functional outcome are functional independence before stroke and NIHSS on admission, a neurological score indicating stroke severity. Explanation maps calculated from brain imaging dTMs for functional outcome highlighted critical brain regions such as the frontal lobe, which is known to be linked to age which in turn increases the risk for unfavorable outcomes. Similarity plots of the explanation maps revealed distinct patterns which give insight into stroke pathophysiology, support developing novel predictors of stroke outcome and enable to identify false predictions. Conclusion: By adapting methods for explanation maps to dTMs, we enhanced the explainability of multi-modal and partly interpretable prediction models. The resulting explanation maps facilitate error analysis and support hypothesis generation regarding the significance of specific image regions in outcome prediction.
- Abstract（参考訳）: Aim:本研究は,画像と表型患者データを統合したマルチモーダル予測モデルの解釈可能性と説明可能性を高めることを目的としている。
方法:我々は,xAI法であるGrad-CAMとOcclusionを多モードで部分的に解釈可能なディープトランスフォーメーションモデル(dTM)に適用する。
DTMは、統計的および深層学習のアプローチを組み合わせて、最先端の予測性能と、表特徴の奇数比のような解釈可能なパラメータ推定を同時に達成する。
脳画像と407脳卒中患者の表層データに基づいて,脳卒中3カ月後の機能予後を予測するためにdTMを訓練した。
異なる識別指標を用いてモデルを評価した。
適応型xAI法は画像の特徴の同定と誤り解析のための説明地図を生成するために用いられた。
結果: DTMは最先端の予測性能を達成し, 曲線(AUC)の値が0.8に近かった。
機能的成果の最も重要な表型予測因子は、脳卒中前の機能的独立と入院時のNIHSSであり、脳卒中重症度を示す神経学的スコアである。
機能的成果のための脳画像dTMから算出された説明地図では、前頭葉などの重要な脳領域が強調されている。
説明図の類似性プロットは、脳卒中病態の洞察を与え、脳卒中結果の新しい予測器の開発を支援し、偽の予測を可能にする、異なるパターンを明らかにした。
結論: dTM への説明法の適用により,マルチモーダルおよび部分的に解釈可能な予測モデルの説明可能性を高めた。
得られた説明マップは、結果予測における特定の画像領域の重要性に関する誤り解析と仮説生成を支援する。
関連論文リスト
- Multi-task Learning Approach for Intracranial Hemorrhage Prognosis [0.0]
本稿では,Glasgow Coma Scale と Age の3次元マルチタスク画像モデルを提案する。
提案手法は現状のベースライン画像モデルより優れており,CTスキャンのみを入力として用いた4名の脳神経科医と比較してICH予後に優れていた。
論文 参考訳（メタデータ） (2024-08-16T14:56:17Z) - TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。
トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。
我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
論文 参考訳（メタデータ） (2024-06-18T09:00:49Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Hypergraph Convolutional Networks for Fine-grained ICU Patient
Similarity Analysis and Risk Prediction [15.06049250330114]
集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。
臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
論文 参考訳（メタデータ） (2023-08-24T05:26:56Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - Visual Interpretable and Explainable Deep Learning Models for Brain
Tumor MRI and COVID-19 Chest X-ray Images [0.0]
我々は、ディープニューラルネットワークが医療画像をどのように分析するかを照らすための属性手法を評価する。
我々は近年の深層畳み込みニューラルネットワークモデルによる脳腫瘍MRIと新型コロナウイルス胸部X線データセットからの予測を属性とした。
論文 参考訳（メタデータ） (2022-08-01T16:05:14Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。