ترجمه فارسی مقاله بررسی قابلیت توضیح یک مدل یادگیری ماشینی برای سرطان پروستات: آیا ضایعات با مهم ترین نقشه های ویژگی بومی سازی می شوند؟
| عنوان مقاله به انگلیسی | Exploring the Explainability of a Machine Learning Model for Prostate Cancer: Do Lesions Localize with the Most Important Feature Maps? |
| عنوان مقاله به فارسی | بررسی قابلیت توضیح یک مدل یادگیری ماشینی برای سرطان پروستات: آیا ضایعات با مهم ترین نقشه های ویژگی بومی سازی می شوند؟ |
| نویسندگان | Destie Provenzano, Shawn Haji-Momenian, Vivek Batheja, Murray Loew |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 13 |
| لینک دانلود رایگان مقاله انگلیسی | دانلود مقاله |
| دسته بندی موضوعات | Oncology انکولوژی |
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
چکیده
As the use of AI grows in clinical medicine, so does the need for better explainable AI (XAI) methods. Model based XAI methods like GradCAM evaluate the feature maps generated by CNNs to create visual interpretations (like heatmaps) that can be evaluated qualitatively. We propose a simple method utilizing the most important (highest weighted) of these feature maps and evaluating it with the most important clinical feature present on the image to create a quantitative method of evaluating model performance. We created four Residual Neural Networks (ResNets) to identify clinically significant prostate cancer on two datasets (1. segmented prostate image and 2. full cross sectional pelvis image (CSI)) and two model training types (1. transfer learning and 2. from-scratch) and evaluated the models on each. Accuracy and AUC was tested on one final full CSI dataset with the prostate tissue removed as a final test set to confirm results. Accuracy, AUC, and co-localization of prostate lesion centroids with the most important feature map generated for each model was tabulated and compared to co-localization of prostate lesion centroids with a GradCAM heatmap. Prostate lesion centroids co-localized with any model generated through transfer learning ≥97% of the time. Prostate lesion centroids co-localized with the segmented dataset 86 > 96% of the time, but dropped to 10% when segmented model was tested on the full CSI dataset and 21% when model was trained and tested on the full CSI dataset. Lesion centroids co-localized with GradCAM heatmap 98% > 100% on all datasets except for that trained on the segmented dataset and tested on full CSI (73%). Models trained on the full CSI dataset performed well (79% > 89%) when tested on the dataset with prostate tissue removed, but models trained on the segmented dataset did not (50 > 51%). These results suggest that the model trained on the full CSI dataset uses features outside of the prostate to make a conclusion about the model, and that the most important feature map better reflected this result than the GradCAM heatmap. The co-localization of medical region of abnormality with the most important feature map could be a useful quantitative metric for future model explainability.
چکیده به فارسی (ترجمه ماشینی)
با افزایش استفاده از هوش مصنوعی در پزشکی بالینی ، نیاز به روشهای بهتر توضیح AI (XAI) نیز وجود دارد.روشهای XAI مبتنی بر مدل مانند GradCam نقشه های ویژگی تولید شده توسط CNN ها را برای ایجاد تفسیرهای بصری (مانند نقشه های گرما) که می توانند از نظر کیفی ارزیابی شوند ، ارزیابی می کنند.ما یک روش ساده را با استفاده از مهمترین (بالاترین وزن) این نقشه های ویژگی و ارزیابی آن با مهمترین ویژگی بالینی موجود در تصویر پیشنهاد می کنیم تا یک روش کمی برای ارزیابی عملکرد مدل ایجاد کنیم.ما چهار شبکه عصبی باقیمانده (RESNETS) ایجاد کردیم تا سرطان پروستات بالینی قابل توجه را در دو مجموعه داده (1. تصویر پروستات تقسیم شده و 2. تصویر کامل لگن مقطع (CSI)) و دو نوع آموزش مدل (1. یادگیری انتقال و 2.-Scratch) و مدل ها را در هر یک ارزیابی کرد.دقت و AUC در یک مجموعه داده کامل CSI نهایی با بافت پروستات به عنوان یک آزمایش نهایی برای تأیید نتایج ، مورد آزمایش قرار گرفت.دقت ، AUC و محلی سازی همزمان سانتروئیدهای ضایعه پروستات با مهمترین نقشه ویژگی تولید شده برای هر مدل جدول بندی شد و با محلی سازی سانتروئیدهای ضایعه پروستات با یک مپ گرمای GradCam مقایسه شد.سانتروئیدهای ضایعه پروستات با هر مدل تولید شده از طریق یادگیری انتقال ≥ 97 ٪ از زمان ، محلی می شوند.سانتروئیدهای ضایعه پروستات با مجموعه داده های تقسیم شده 86> 96 ٪ از زمان همزمان می شوند ، اما وقتی مدل تقسیم بندی شده بر روی مجموعه داده های کامل CSI و 21 ٪ در هنگام آموزش و آزمایش در مجموعه داده های کامل CSI ، به 10 ٪ کاهش یافت.سانتروئیدهای ضایعه با هم با GradCam Heatmap 98 ٪> 100 ٪ در کلیه مجموعه داده ها به جز آن آموزش داده شده در مجموعه داده های تقسیم شده و در CSI کامل (73 ٪) آزمایش می شوند.مدل های آموزش داده شده در مجموعه داده های کامل CSI (79 ٪> 89 ٪) هنگامی که در مجموعه داده با بافت پروستات برداشته شدند ، عملکرد خوبی داشتند ، اما مدل های آموزش داده شده در مجموعه داده تقسیم شده (50> 51 ٪).این نتایج نشان می دهد که مدل آموزش داده شده در مجموعه داده های کامل CSI از ویژگی های خارج از پروستات برای نتیجه گیری در مورد مدل استفاده می کند ، و مهمترین نقشه ویژگی بهتر از این نتیجه گرمای GradCam است.محلی سازی منطقه پزشکی ناهنجاری با مهمترین نقشه ویژگی می تواند یک معیار کمی مفید برای توضیح مدل آینده باشد.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.