ICMLJun, 2022

拟合预测在乳腺 X 线照片中评估乳房密度的三种应用

PDF
TL;DR本文介绍了深度学习方法在乳腺癌早期检测中的应用，以及新的基于一致性预测的方法，旨在增加医生对算法的信任度，提高医学图像的诊断质量。
breast cancermammographic breast densitydeep learning methodsconformal predictionmedical imaging
发现论文，激发创造
  • 用于医学图像应用的公平一致性预测器

    本文探讨了如何利用符合性预测相结合的深度学习方法，提高医学影像技术在医学决策中的透明性和可靠性，并在皮肤病例分类方面进行了实证研究，认为在患者肤色差异方面可适当改进符合性预测模型。同时，对比了其与认知不确定性的差异。

    Sep, 2021

  • MammoDL：使用联邦学习的乳腺 X 线密度估计

    MammoDL 是一种开源软件工具，采用 U-Net 架构来准确估计乳腺密度和复杂性，通过 Open Federated Learning 在多个机构的数据集上实现了安全训练，与其他模型相比，该模型更轻便、更灵活，因为联邦学习使其在更大、更具代表性的数据集上训练，从而提高了泛化能力。

    Jun, 2022

  • 可信皮肤病变分类的合规预测的实证验证

    通过进行全面的实验和比较性能分析，我们研究了皮肤病变分类任务中三种不确定性量化方法：Conformal Prediction、Monte Carlo Dropout 和 Evidential Deep Learning，发现 Conformal Prediction 在各种条件下表现出的鲁棒性和一致性，使其成为安全关键应用中决策的首选。

    Dec, 2023

  • 深度回归森林用于抗癌药物敏感性预测的高效归一化一致性预测与不确定性量化

    通过计算深度回归树获得的方差，我们提出了一种方法来估计每个样本的不确定性，显示深度回归森林方差提高了规范化归纳预测模型在药物反应预测任务中的效率和覆盖率。

    Feb, 2024

  • 使用符合预测法进行深度学习模型校准外检测

    在遥感等关键应用中，深度学习模型的黑盒特性使其使用变得复杂。与数据可交换性相关的符合预测是一种能确保信任的方法，可提供有限样本覆盖保证，以用户定义的错误率为形式，确保预测集合包含真实类别。本文展示了符合预测算法与深度学习模型的不确定性相关，并可用于检测模型是否未校准。通过将 Resnet50、Densenet161、InceptionV3 和 MobileNetV2 等常见分类模型应用于遥感数据集，如 EuroSAT，证明在噪声场景下模型的输出变得不可靠。此外，还提出了一种基于模型不确定性和符合预测集合平均大小的未校准检测程序。

    May, 2024

  • 朝着临床可信任的深度学习：将合拟似法应用于颅内出血检测

    该研究旨在将一致性预测方法应用于放射学深度学习模型，以提高其可信度和可靠性，研究结果显示该方法在自动性脑内出血检测方面表现出良好的性能和潜力。

    Jan, 2024

  • 基于符合预测和符合风险控制的自信目标检测：以铁路信号为例

    本文介绍了一种基于符合性预测的可靠和可信预测器的使用，以便于在实际场景中部署深度学习模型，并提供能够准确反映其不确定性的置信度估计。作者结合新颖的数据集和现代化的目标检测器反复测试了几种符合性方法，并基于符合风险控制提出了新的方法，以此为目的，展示出符合性预测框架在评估模型性能和为实现正式保证的不确定性边界提供实际指导的潜力。

    Apr, 2023

  • 使用深度卷积神经网络进行乳腺密度分类

    通过探索超过 200,000 例乳腺癌筛查检查的数据集，使用强卷积神经网络分类器对乳腺密度分类这一问题进行训练和验证，并在读者研究中发现该模型可以与人类专家相媲美。

    Nov, 2017

  • 基于置信区间预测的无分布式偏差联邦学习

    该研究提出将自适应拟合框架结合到联邦学习中，确保预测集的分布自由且提供覆盖担保，可在不需要对模型进行任何其他修改的情况下获得不确定性估计，实验证明本方法在医学影像分类任务中取得了更佳的覆盖度。

    Oct, 2021

  • 利用深度卷积神经网络从乳房 X 光照片中分类乳房肿块

    使用卷积神经网络对乳腺 X 线摄影筛查中预分割乳腺肿块进行良恶性分类，通过转移学习、预处理和数据增强等方法优化模型，在 DDSM 数据集上取得最好的结果，超过了人类表现，并且展示了模型的可解释性。

    Dec, 2016