ICMLJul, 2018

医疗第二意见的直接不确定性预测

PDF
TL;DR该研究表明，在医学领域中，机器学习模型可以通过训练对数据实例输出不确定性得分，以便针对存在高度医学专家分歧的情况，特别是可以确定应该获得医学二次意见的病例，和通过直接预测不确定性得分的方法（DUP），可以更好地进行训练，优于通过分类来预测不确定性分数的方法。这一结论得到了理论结果和在大规模医学影像应用中广泛评估的支持。
expert disagreementsmachine learningmedicineuncertainty predictionmedical imaging
发现论文，激发创造
  • 文件分类中的不确定性缓解

    本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法，可以更精确地预测，提高分类器的预测准确性，尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。

    Jul, 2019

  • 临床自然语言处理中的半监督学习自动数据标注中的分歧建模

    本研究探讨预测模型在医疗健康领域中的应用，特别是自监督模式下标记数据的超拟合问题，发现高斯过程能够以较高的预测准确性评估指标和平均最大预测置信水平，对 3 种不确定性标签进行风险评估并保持强大的预测力。

    May, 2022

  • 计算机辅助诊断中的不确定性量化：让你的模型对模糊病例说 “不知道

    对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

    Aug, 2019

  • EDUE：基于专家意见引导的一遍式医学图像分割不确定性估计

    本研究提出了一种基于专家分歧引导的不确定性估计方法（EDUE），用于医学图像分割，通过利用多个评分者对地面事实标注的变异性，我们在训练过程中引导模型，并结合基于随机抽样的策略来增强校准置信度，我们的方法在图像和像素级别上与专家分歧相比，平均相关性分别提高了 55% 和 23%，具有更好的校准性能，并且相较于最先进的深度集合，在只需进行单次前向传递的情况下，具有具有竞争性的分割性能。

    Mar, 2024

  • 可靠的临床 AI 解决方案：深度学习模型中的不确定性量化在医学图像分析中的统一综述

    该综述回顾了现有的用于量化深度学习模型预测不确定性的方法，并着重关注了医学图像分析中特有的挑战、评估方案以及不确定性量化在医疗领域中的开放性挑战。

    Oct, 2022

  • 利用不确定性评估预测分割质量

    本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。

    Jul, 2018

  • 贝叶斯建模实践：利用不确定性提高医疗应用的可信度

    本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本，通过一个贝叶斯神经网络应用于 MIMIC-III 数据集，展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用，证明了贝叶斯预测不确定性在高风险环境下机器学习模型可靠性的重要性。

    Jun, 2019

  • 利用不确定性感知因果模型提高基于图像的精准医疗

    本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。

    May, 2023

  • 临床试验结果预测的不确定性量化

    在临床试验结果预测中，将不确定性量化、选择性分类和层次交互网络（HINT）相融合的方法显著提高了模型的性能，其中 PR-AUC 指标相对基础模型提高了 32.37％、21.43％和 13.27％，在预测 III 期试验时达到了 0.9022 的 PR-AUC 得分，表明该策略在临床试验预测领域具有鲁棒性和前景潜力。

    Jan, 2024

  • 学习不确定性并将其纳入算法延迟以实现安全的计算机辅助诊断

    提出了一种名为 LDU 的算法，将经常出错的诊断疑点和病人推荐给人类专家以避免错误诊断的风险，该算法在深度神经网络进行计算编码的辅助下，在医疗实践中可以显著减少诊断错误的风险。

    Aug, 2021