重新审视 N-CNN 用于临床实践
机器学习
2023-10-10 v1
摘要
本文通过优化新生儿卷积神经网络（N-CNN）的超参数并评估其对分类指标、可解释性和可靠性的影响，讨论其在临床实践中的潜在影响，从而重新审视该网络。我们选择的超参数未修改原始 N-CNN 架构，而是主要修改其学习率和训练正则化。优化通过单独评估每个超参数在 F1 分数上的改进来完成，并选取最佳超参数以创建调优 N-CNN（Tuned N-CNN）。我们还应用了源自新生儿面部编码系统的软标签，提出了一种用于新生儿疼痛评估的面部表情分类模型训练新方法。有趣的是，虽然调优 N-CNN 的结果指向分类指标和可解释性的提升，但这些改进并未直接转化为校准性能。我们认为，此类见解可能有助于开发更可靠的新生儿疼痛评估工具，协助医疗专业人员进行适当干预并改善患者预后。
引用
@article{arxiv.2308.05877,
title = {Revisiting N-CNN for Clinical Practice},
author = {Leonardo Antunes Ferreira and Lucas Pereira Carlini and Gabriel de Almeida Sá Coutrin and Tatiany Marcondes Heideirich and Marina Carvalho de Moraes Barros and Ruth Guinsburg and Carlos Eduardo Thomaz},
journal= {arXiv preprint arXiv:2308.05877},
year = {2023}
}
备注
AICAI 2023 in conjuction with MICCAI