原型関連性伝播による胸部X線画像ベース診断における不均衡データセットのリスクの実証【JST・京大機械翻訳】

Gautam Srishti; Hohne Marina M. -C.; Hansen Stine; Jenssen Robert; Kampffmeyer Michael

プレプリント

J-GLOBAL ID：202202206593254340 整理番号：22P0025796

原型関連性伝播による胸部X線画像ベース診断における不均衡データセットのリスクの実証【JST・京大機械翻訳】

Demonstrating The Risk of Imbalanced Datasets in Chest X-ray Image-based Diagnostics by Prototypical Relevance Propagation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年01月10日プレプリントサーバーでの情報更新日： 2022年01月10日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

自動診断を改善するためにマルチソース胸部X線データセットを統合する最近の傾向は,医療病理学よりむしろ画像のソースドメインを認識することにより,性能を改善するためのソース特異的相関を利用するために学習するモデルを学習するという懸念を提起する。著者らは,この効果が,ソースドメイン,すなわち,ソースに対応する病気の有病率を通して,ラベル不均衡によって強化され,活用されると仮定した。したがって,本研究では,広く使用された胸部X線14およびCheXpertデータセットに対する肺炎検出のタスクに対するマルチソース訓練におけるラベル不均衡の影響の徹底的な研究を行った。結果は,自動診断のためのより忠実で透明な自己説明モデルの使用の重要性を強調し,そして,偽学習の固有検出を可能にする。さらに,ラベルバランスソースドメインデータセットを保証すれば,学習偽相関のこの望ましくない影響がかなり低減できることを例証した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能

, , , , , , ,

前のページに戻る