U-PASS：一种基于不确定性引导的深度学习管道，用于自动化睡眠分期

Jun, 2023

U-PASS：一种基于不确定性引导的深度学习管道，用于自动化睡眠分期

U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging

Elisabeth R. M. Heremans, Nabeel Seedat, Bertien Buyse, Dries Testelmans, Mihaela van der Schaar...

TL;DR本研究提出了一个名为 U-PASS 的机器学习流程，它在数据获取、训练和模型部署的每个阶段都加入了不确定性估计，应用于老年睡眠呼吸暂停症患者的医疗数据，通过优化训练数据、寻找信息样本和推迟最不确定的样本给专家，提高了准确率至 85%。U-PASS 是将不确定性估计应用于机器学习流程改善其可靠性和在临床设置中潜力的一种有前景的方法。

Abstract

As machine learning becomes increasingly prevalent in critical fields such as healthcare, ensuring the safety and reliability of machine learning systems becomes paramount. A key component of reliability is the a

machine learning uncertainty estimation clinical applications deep learning sleep staging

发现论文，激发创造

连接人工智能和临床实践：将自动睡眠评分算法与基于不确定性的医生审核集成

通过使用不确定性估计方法来提高自动睡眠评分算法的临床应用，从而有效帮助医生手动审核预测的睡眠图，以减少多项睡眠多项指数数据库中存在的明显评分者差异所必需的手动审核工作量，并考虑科目诊断。

Dec, 2023

医学成像管道中的不确定性传播和归因

通过级联深度学习模型在医学影像流水线中传播不确定性，我们提出了一种建立可解释的神经网络的不确定性估计方法，并展示了其在重建脑和膝盖磁共振图像以及预测定量信息方面的效用。

Sep, 2023

扰动辅助样本合成：一种新的不确定性量化方法

本文介绍了一种新型生成器 PASS (Perturbation-Assisted Sample Synthesis)，用于处理复杂数据，并结合利用预训练的生成模型进行统计推断，实现了可靠的数据估算。作者还提出了一种名为 PAI (Perturbation-Assisted Inference) 的生成推断框架，在三个领域应用得到了很好的效果。

May, 2023

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

使用具有位置预测的 Transformer 进行高效睡眠分期

无监督学习在睡眠分期方面的研究表明，应用全面的预训练方案能够显著提高性能，减少所需的标记训练数据，因此建议在睡眠分期的自监督学习研究中采用这种方法。

Mar, 2024

可解释性睡眠分期中性能和效用的平衡权衡

本文提出了一种基于深度学习的解释性方法，通过将深度学习嵌入使用归一化特征来表示，用于支持临床睡眠分期，该方法在不同数据集上具有优异的性能，能够实现良好的性能和可靠的临床解释性。

Nov, 2022

U-Time: 一种用于时间序列分割的全卷积网络，应用于睡眠分期

本研究提出了 U-Time 算法，通过全连接前馈神经网络实现对睡眠数据进行分割和分类，相较于当下领先的深度学习算法，U-Time 算法具备更加强大的鲁棒性和更简单的训练流程，无需特定任务的调整或超参数调控，在多个研究数据集上展现了优异表现

Oct, 2019

TransSleep：基于转换感知的注意力机制深度神经网络用于睡眠分期

提出一种称为 TransSleep 的新颖深度神经网络结构，使用具有上下文的信息，采用多尺度特征提取器模块、阶段混淆估计器模块和上下文编码器模块，用于睡眠分期，取得了良好的自动分期性能，并在 Sleep-EDF 和 MASS 数据集上展示出最先进的性能表现。

Mar, 2022

用于工业工具磨损分析的基于不确定性的人机交互系统

本文研究在人机交互系统中，通过基于蒙特卡罗 dropout 的不确定性测量来提高透明度和性能，以解决卷积神经网络在图像分割任务中存在的置信度不足和监管政策不一致性的问题，通过多元线性回归来解释预测质量。

Jul, 2020

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