論文の概要: CheXternal: Generalization of Deep Learning Models for Chest X-ray Interpretation to Photos of Chest X-rays and External Clinical Settings

• arxiv url: http://arxiv.org/abs/2102.08660v1
• Date: Wed, 17 Feb 2021 09:58:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-18 14:39:27.515059
• Title: CheXternal: Generalization of Deep Learning Models for Chest X-ray Interpretation to Photos of Chest X-rays and External Clinical Settings
• Title（参考訳）: CheXternal:胸部X線解析のための深層学習モデルの胸部X線写真への一般化と臨床応用
• Authors: Pranav Rajpurkar, Anirudh Joshi, Anuj Pareek, Andrew Y. Ng, Matthew P. Lungren
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.133159722996137
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in training deep learning models have demonstrated the potential to provide accurate chest X-ray interpretation and increase access to radiology expertise. However, poor generalization due to data distribution shifts in clinical settings is a key barrier to implementation. In this study, we measured the diagnostic performance for 8 different chest X-ray models when applied to (1) smartphone photos of chest X-rays and (2) external datasets without any finetuning. All models were developed by different groups and submitted to the CheXpert challenge, and re-applied to test datasets without further tuning. We found that (1) on photos of chest X-rays, all 8 models experienced a statistically significant drop in task performance, but only 3 performed significantly worse than radiologists on average, and (2) on the external set, none of the models performed statistically significantly worse than radiologists, and five models performed statistically significantly better than radiologists. Our results demonstrate that some chest X-ray models, under clinically relevant distribution shifts, were comparable to radiologists while other models were not. Future work should investigate aspects of model training procedures and dataset collection that influence generalization in the presence of data distribution shifts.
• Abstract（参考訳）: 近年の深層学習モデルの訓練は、正確な胸部X線解釈を提供し、放射線学の専門知識へのアクセスを高める可能性を実証している。 しかし, 臨床環境におけるデータ分布シフトによる一般化の低下は, 実装の鍵となる障壁である。 本研究では,(1)胸部X線のスマートフォン写真と(2)外部データセットを微調整することなく,8種類の胸部X線モデルの診断性能を測定した。 すべてのモデルは異なるグループによって開発され、CheXpertチャレンジに提出され、さらにチューニングすることなくデータセットのテストに再適用されました。 その結果, 胸部X線写真では, 全8モデルが, 作業成績が統計的に有意に低下したが, 放射線科医より有意に低下したのは3モデルのみであり, 外部セットでは, いずれも放射線科医より統計的に劣る例はなく, 5モデルでは放射線科医より統計的に優れていた。 胸部X線モデルでは, 臨床的に有意な分布変化がみられ, 放射線医に匹敵するものの, 他のモデルでは有意であった。 今後の作業は、データ分散シフトの存在下での一般化に影響を与えるモデルトレーニング手順とデータセットコレクションの側面を調べるべきです。

関連論文リスト

• SynthEnsemble: A Fusion of CNN, Vision Transformer, and Hybrid Models for Multi-Label Chest X-Ray Classification [0.6218519716921521]
  我々は,異なる疾患に対応する胸部X線パターンの同定に深層学習技術を採用している。 最も優れた個人モデルはCoAtNetで、受信機の動作特性曲線(AUROC)の84.2%の領域を達成した。
  論文  参考訳（メタデータ） (2023-11-13T21:07:07Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• 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)
• Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
  ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。 本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。 2つの公開データセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-06-13T11:20:31Z)
• 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)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• CheXphotogenic: Generalization of Deep Learning Models for Chest X-ray Interpretation to Photos of Chest X-rays [4.396061096553544]
  胸部X線写真に適用した8種類の胸部X線モデルの診断成績を測定した。 いくつかのモデルは胸部X線写真に適用すると性能が低下するが、この低下にもかかわらず、一部のモデルは放射線学者に相容れない性能を示した。
  論文  参考訳（メタデータ） (2020-11-12T00:16:51Z)
• 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)
• Context Learning for Bone Shadow Exclusion in CheXNet Accuracy Improvement [14.18754838863113]
  ChestX-ray14データセットには、14の疾患のX線画像が10万枚以上含まれており、精度の高いモデルがいくつか提案されている。 胸部X線画像における肺疾患診断のためのワークフローを構築し,最先端モデルのAUROCを0.8414から0.8445に改善する。
  論文  参考訳（メタデータ） (2020-05-13T07:29:03Z)
• CheXpedition: Investigating Generalization Challenges for Translation of Chest X-Ray Algorithms to the Clinical Setting [4.781964929315763]
  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。
  論文  参考訳（メタデータ） (2020-02-26T09:44:21Z)

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。