Jan, 2024

常见随机神经网络在可靠临床决策支持方面的不足

PDF
TL;DR采用 AI 进行医疗决策仍面临伦理和安全方面的问题。研究表明常用的深度学习方法对数据漂移过于自信，却未能在临床应用中可靠地识别异常样本，暴露了其可靠性不足的问题。存在着更加严格或内生于已知数据点的方法的需求，例如使用基于核的技术。
ai-based decision support systemsreliable estimation of local uncertaintystochastic neural networksmortality predictionstochastic deep learning methods
发现论文，激发创造
  • 电子健康记录中的不确定性建模：一种贝叶斯深度学习方法

    基于贝叶斯神经网络的深度学习模型用于预测由于数据噪音引起的不确定性。高度不确定的实例对模型性能有害。通过研究模型预测和不确定性的分布，可以识别一组病人以进行及时干预。

    Jul, 2019

  • 探析模型不确定性在电子病历中的作用

    研究在医学上，使用其他深度神经网络模型方法来捕捉模型的不确定性，以确定模型决策是否在个体患者上具有一定程度的可靠性，同样通过贝叶斯嵌入，RNN 模型可以更有效地捕获模型的不确定性，研究分析模型不确定性受各种输入特征以及患者亚组的影响。

    Jun, 2019

  • 评估可扩展的贝叶斯深度学习方法在稳健计算机视觉中的应用

    该论文提出了一种深度学习可扩展的确定性和不确定性评估框架，并对两种最先进的可扩展方法进行了比较，即集成和 MC-dropout，结果表明集成方法提供更可靠和实用的不确定性估计。

    Jun, 2019

  • 通过神经网络的近似推理进行贝叶斯生存分析

    本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处，提出了一个贝叶斯深度学习框架，评估了四个基准数据集上的预测表现，并与传统非贝叶斯方法进行比较。

    Apr, 2024

  • 利用证据理论的深度学习进行分类不确定性量化

    通过在类概率上使用狄利克雷分布对主观逻辑进行建模并使用确定性神经网络从数据学习收集导致预测的证据的功能，我们提出一种与贝叶斯神经网络正交的方法，该方法可以直接推断出预测的不确定性。我们的方法在检测超出分布的查询和对抗性扰动方面取得了空前的成功。

    Jun, 2018

  • 深度学习不确定性估计的通用框架

    提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

    Jul, 2019

  • 信息先验提高多模态临床数据分类的可靠性

    利用机器学习辅助临床决策支持有潜力显著改善患者护理，本研究设计了一种定制的多模态数据驱动的概率分布，并提出了一种简单可扩展的高斯平均场变分推理来训练具有该先验的贝叶斯神经网络，根据实验结果表明，该方法相比确定性和贝叶斯神经网络的基准模型产生了更可靠的预测模型。

    Nov, 2023

  • 可靠的不确定性与便宜的神经网络集成：工业零件分类的案例研究

    本研究比较了单一神经网络、深度集合和三种高效神经网络集合的性能，结果表明批量集合是一种性价比高且与深度集合相比在不确定性和准确性方面表现更好的替代方案。

    Mar, 2024

  • 深度证据回归

    本文提出了一种新方法，通过在原始高斯似然函数上放置证据先验，训练神经网络 (NNs) 以估计连续目标及其相关证据，以学习 aleatoric 和 epistemic 不确定性。在多个基准测试中，本方法展示了学习良好校准的不确定度测量，可扩展到复杂的计算机视觉任务，并对对抗性和 OOD 测试样本具有鲁棒性。

    Oct, 2019

  • 使用深度学习的临床风险分层模型不稳定性

    研究了在电子健康记录上训练不同模型的稳定性，证明相同模型在相同训练数据上的重复训练会产生显著不同的结果，并提出了衡量模型的稳定性和提高模型稳定性的应对策略。

    Nov, 2022