ترجمه فارسی مقاله تشخیص داده‌های پرت در مجموعه داده‌های رادیولوژیکی بزرگ با استفاده از UMAP

چکیده

The success of machine learning algorithms heavily relies on the quality of samples and the accuracy of their corresponding labels. However, building and maintaining large, high-quality datasets is an enormous task. This is especially true for biomedical data and for meta-sets that are compiled from smaller ones, as variations in image quality, labeling, reports, and archiving can lead to errors, inconsistencies, and repeated samples. Here, we show that the uniform manifold approximation and projection (UMAP) algorithm can find these anomalies essentially by forming independent clusters that are distinct from the main (good) data but similar to other points with the same error type. As a representative example, we apply UMAP to discover outliers in the publicly available ChestX-ray14, CheXpert, and MURA datasets. While the results are archival and retrospective and focus on radiological images, the graph-based methods work for any data type and will prove equally beneficial for curation at the time of dataset creation.

چکیده به فارسی (ترجمه ماشینی)

موفقیت الگوریتم های یادگیری ماشین به شدت به کیفیت نمونه ها و صحت برچسب های مربوطه متکی است.با این حال ، ساخت و نگهداری مجموعه داده های بزرگ و با کیفیت بالا یک کار عظیم است.این امر به ویژه در مورد داده های زیست پزشکی و برای متا مجموعه هایی که از نمونه های کوچکتر گردآوری می شوند ، صادق است ، زیرا تغییرات در کیفیت تصویر ، برچسب زدن ، گزارش ها و بایگانی می تواند منجر به خطا ، ناسازگاری و نمونه های مکرر شود.در اینجا ، ما نشان می دهیم که الگوریتم تقریب و پیش بینی یکنواخت و طرح ریزی (UMAP) می تواند اساساً با تشکیل خوشه های مستقل که از داده های اصلی (خوب) متمایز هستند اما مشابه سایر نقاط با همان نوع خطا هستند ، این ناهنجاری ها را پیدا کنند.به عنوان نمونه نماینده ، ما UMAP را برای کشف دور در دسترس در مجموعه داده های عمومی Chestx-Ray14 ، Chexpert و Mura اعمال می کنیم.در حالی که نتایج بایگانی و گذشته نگر است و بر روی تصاویر رادیولوژیکی تمرکز می کند ، روشهای مبتنی بر نمودار برای هر نوع داده کار می کنند و در زمان ایجاد مجموعه داده ها به همان اندازه مفید خواهند بود.