ترجمه فارسی مقاله یادگیری تطبیقی ​​یک مجموعه پیش‌بینی با کاربردهایی در طبقه‌بندی تصویربرداری پزشکی

چکیده

Medical imaging classifiers can achieve high predictive accuracy, but quantifying their uncertainty remains an unresolved challenge, which prevents their deployment in medical clinics. We present an algorithm that can modify any classifier to produce a prediction set containing the true label with a user-specified probability, such as 90%. We train a network to predict an instance-based version of the Conformal Prediction threshold. The threshold is then conformalized to ensure the required coverage. We applied the proposed algorithm to several standard medical imaging classification datasets. The experimental results demonstrate that our method outperforms current approaches in terms of smaller average size of the prediction set while maintaining the desired coverage.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی کننده های تصویربرداری پزشکی می توانند به دقت پیش بینی کننده بالایی دست یابند ، اما کمیت عدم اطمینان آنها همچنان یک چالش حل نشده است که از استقرار آنها در کلینیک های پزشکی جلوگیری می کند.ما یک الگوریتم ارائه می دهیم که می تواند هر طبقه بندی کننده را برای تولید یک مجموعه پیش بینی حاوی برچسب واقعی با یک احتمال مشخص شده کاربر ، مانند 90 ٪ اصلاح کند.ما یک شبکه را آموزش می دهیم تا نسخه مبتنی بر نمونه آستانه پیش بینی کنفورماسی را پیش بینی کنیم.سپس آستانه برای اطمینان از پوشش مورد نیاز سازگار می شود.ما از الگوریتم پیشنهادی در چندین مجموعه داده طبقه بندی استاندارد تصویربرداری پزشکی استفاده کردیم.نتایج تجربی نشان می دهد که روش ما از رویکردهای فعلی از نظر اندازه متوسط ​​کوچکتر از پیش بینی مجموعه در حالی که پوشش مورد نظر را حفظ می کند ، بهتر است.