論文の概要: CheXpedition: Investigating Generalization Challenges for Translation of
Chest X-Ray Algorithms to the Clinical Setting
- arxiv url: http://arxiv.org/abs/2002.11379v2
- Date: Wed, 11 Mar 2020 07:15:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 14:50:59.312261
- Title: CheXpedition: Investigating Generalization Challenges for Translation of
Chest X-Ray Algorithms to the Clinical Setting
- Title（参考訳）: CheXpedition:胸部X線アルゴリズムの臨床応用への一般化課題の検討
- Authors: Pranav Rajpurkar, Anirudh Joshi, Anuj Pareek, Phil Chen, Amirhossein
Kiani, Jeremy Irvin, Andrew Y. Ng, Matthew P. Lungren
- Abstract要約: 我々は、CheXpertチャレンジリーダーボードの上位10のモデルのパフォーマンスについて検討する。
その結果,トップ10の胸部X線モデルでは,2つのパブリックTBデータセット上でTBを検出するタスクにおいて平均0.851のAUCが得られることがわかった。
第2に、X線写真におけるモデルの平均性能(AUC = 0.916)は、元の胸部X線画像と類似していることが判明した。
第三に、外部データセットでテストされたモデルが、放射線学者の平均的な性能と互換性があるか、超えるかのどちらかであることがわかった。
- 参考スコア（独自算出の注目度）: 4.781964929315763
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Although there have been several recent advances in the application of deep
learning algorithms to chest x-ray interpretation, we identify three major
challenges for the translation of chest x-ray algorithms to the clinical
setting. We examine the performance of the top 10 performing models on the
CheXpert challenge leaderboard on three tasks: (1) TB detection, (2) pathology
detection on photos of chest x-rays, and (3) pathology detection on data from
an external institution. First, we find that the top 10 chest x-ray models on
the CheXpert competition achieve an average AUC of 0.851 on the task of
detecting TB on two public TB datasets without fine-tuning or including the TB
labels in training data. Second, we find that the average performance of the
models on photos of x-rays (AUC = 0.916) is similar to their performance on the
original chest x-ray images (AUC = 0.924). Third, we find that the models
tested on an external dataset either perform comparably to or exceed the
average performance of radiologists. We believe that our investigation will
inform rapid translation of deep learning algorithms to safe and effective
clinical decision support tools that can be validated prospectively with large
impact studies and clinical trials.
- Abstract（参考訳）: 近年,胸部x線解釈へのディープラーニングアルゴリズムの適用が進んでいるが,胸部x線アルゴリズムを臨床設定に翻訳する上での3つの大きな課題が指摘されている。
1) TB検出, (2) 胸部X線写真における病理検出, (3) 外部機関からのデータに対する病理検出の3つの課題において, トップ10がCheXpertチャレンジリーダーボード上で行うモデルの性能について検討した。
まず、CheXpertコンペティションのトップ10の胸部X線モデルにおいて、トレーニングデータにTBラベルを含まない2つのパブリックTBデータセット上でTBを検出するタスクにおいて、平均0.851のAUCを達成する。
第2に、X線写真におけるモデルの平均性能(AUC = 0.916)は、元の胸部X線画像(AUC = 0.924)と類似している。
第3に、外部データセットでテストされたモデルは、放射線科医の平均性能と同等かそれ以上の性能を持つかのどちらかである。
我々は,ディープラーニングアルゴリズムを安全かつ効果的な臨床意思決定支援ツールに迅速に翻訳し,大きな影響研究や臨床試験で将来的に検証できると考えている。
関連論文リスト
- Robust and Interpretable COVID-19 Diagnosis on Chest X-ray Images using
Adversarial Training [0.8287206589886881]
我々は、33,000以上の胸部X線画像(CXR)で21の畳み込みニューラルネットワーク(CNN)モデルを訓練し、健康、新型コロナウイルス、非新型コロナウイルスの肺炎CXRを分類した。
得られたモデルは、それぞれ97.03%、97.97%、99.95%の3方向の分類精度、リコール、精度を達成した。
論文 参考訳（メタデータ） (2023-11-23T23:40:01Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳（メタデータ） (2023-07-06T08:27:48Z) - SwinCheX: Multi-label classification on chest X-ray images with
transformers [4.549831511476249]
本稿では,Swin Transformer をバックボーンとしたマルチラベル分類深層モデルを提案する。
我々は「Chest X-ray14」とよばれる最も広く使われている、かつ最大のX線データセットの1つについて、我々のモデルを評価する。
論文 参考訳（メタデータ） (2022-06-09T03:17:57Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - CheXbreak: Misclassification Identification for Deep Learning Models
Interpreting Chest X-rays [5.263502842508203]
まず、胸部X線モデルが誤分類される可能性がある患者サブグループが存在するかを検討する。
胸部X線モデルの誤分類を予測するため, 患者年齢, 肺病変, 気胸のX線所見は統計的に有意な特徴である。
胸部X線モデルの出力と臨床特徴を用いた誤分類予測器を開発した。
論文 参考訳（メタデータ） (2021-03-18T00:30:19Z) - CheXternal: Generalization of Deep Learning Models for Chest X-ray
Interpretation to Photos of Chest X-rays and External Clinical Settings [6.133159722996137]
胸部X線および外部データセットのスマートフォン写真に適用した8種類の胸部X線モデルの診断性能を測定した。
胸部X線写真では、すべての8モデルが統計的に重要なタスクパフォーマンスの低下を経験しました。
一部の胸部X線モデルは、臨床的に関連する分布シフトの下で、放射線学者に匹敵するが、他のモデルはそうではなかった。
論文 参考訳（メタデータ） (2021-02-17T09:58:14Z) - Pristine annotations-based multi-modal trained artificial intelligence
solution to triage chest X-ray for COVID-19 [1.1764495014312295]
新型コロナウイルス(COVID-19)のパンデミックが拡大し続け、世界の人口の豊かさに影響を及ぼしている。
CT (Computed tomography) やX線といった最前線のモダリティは、新型コロナウイルス患者をトリアージする上で重要な役割を担っている。
資源(ハードウェアと訓練員の両方)の限られたアクセスと汚染対策を考えると、CTは疑わしい被験者をトリアージするのに理想的ではないかもしれない。
論文 参考訳（メタデータ） (2020-11-10T15:36:08Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-09T10:15:26Z) - Learning Invariant Feature Representation to Improve Generalization
across Chest X-ray Datasets [55.06983249986729]
我々は、トレーニングデータと同じデータセットでテストすると、ディープラーニングモデルが、異なるソースからデータセットでテストされると、パフォーマンスが低下し始めることを示す。
対戦型トレーニング戦略を用いることで、ネットワークはソース不変表現を学習せざるを得ないことを示す。
論文 参考訳（メタデータ） (2020-08-04T07:41:15Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳（メタデータ） (2020-06-06T06:48:40Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。