返回
Uncertainty-Aware Classification: A Human-Guided Bayesian Deep Learning Framework
DOI:10.1007/978-3-032-06593-3_19.png)
摘要
En 中文
尽管神经网络在医学图像分析中表现出色,但如何有效结合其预测与人类专业知识仍是临床部署中的关键挑战。我们研究了近似贝叶斯推理中不同随机参数子集的选择对后验预测分布的影响,进而影响人机结合决策模型的性能。通过两个医学分类任务,我们分析了所得模型与人类不确定性的关系。我们发现,不确定性估计与人类不确定性的相关性因随机子集的不同而异。基于这些发现,我们提出了一种框架,通过优化随机子集的选择来改进最终决策模型,该模型考虑了人类不确定性,从而在临床环境中实现更可靠、更可解释的人机预测融合。我们的实现代码公开托管于https://github.com/mkreimann/uncertainty-guided-classification。
Keyword:
Uncertainty
Model calibration
Trustworthy AI
期刊
机构
引用论文
Metrics reloaded: recommendations for image analysis validation重新加载的度量: 图像分析验证建议
NATURE METHODS
IF32.1
Characteristics of a Large, Labeled Data Set for the Training of Artificial Intelligence for Glaucoma Screening with Fundus Photographs用于通过眼底照片进行青光眼筛查的人工智能训练的大型标记数据集的特征
Experimental evidence of effective human-Al collaboration in medical decision-making
SCIENTIFIC REPORTS
IF3.9

