論文の概要: The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays

• arxiv url: http://arxiv.org/abs/2109.08020v1
• Date: Tue, 14 Sep 2021 10:59:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-18 12:21:24.437452
• Title: The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays
• Title（参考訳）: 胸部X線検査における深層学習ソリューション開発におけるオープンデータ活用の問題点
• Authors: Rachael Harkness, Geoff Hall, Alejandro F Frangi, Nishant Ravikumar, Kieran Zucker
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.02097860085202
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since the emergence of COVID-19, deep learning models have been developed to identify COVID-19 from chest X-rays. With little to no direct access to hospital data, the AI community relies heavily on public data comprising numerous data sources. Model performance results have been exceptional when training and testing on open-source data, surpassing the reported capabilities of AI in pneumonia-detection prior to the COVID-19 outbreak. In this study impactful models are trained on a widely used open-source data and tested on an external test set and a hospital dataset, for the task of classifying chest X-rays into one of three classes: COVID-19, non-COVID pneumonia and no-pneumonia. Classification performance of the models investigated is evaluated through ROC curves, confusion matrices and standard classification metrics. Explainability modules are implemented to explore the image features most important to classification. Data analysis and model evaluations show that the popular open-source dataset COVIDx is not representative of the real clinical problem and that results from testing on this are inflated. Dependence on open-source data can leave models vulnerable to bias and confounding variables, requiring careful analysis to develop clinically useful/viable AI tools for COVID-19 detection in chest X-rays.
• Abstract（参考訳）: 新型コロナウイルスの出現以来、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てきた。 病院のデータへの直接アクセスはほとんどないが、AIコミュニティは多数のデータソースからなる公開データに大きく依存している。 モデルのパフォーマンスは、新型コロナウイルス(covid-19)感染拡大前の肺炎検出におけるaiの能力を上回る、オープンソースのデータのトレーニングとテストにおいて、例外的なものだった。 本研究は、胸部X線をCOVID-19、非肺炎、非肺炎の3つのクラスに分類するために、広く使われているオープンソースデータに基づいてトレーニングし、外部テストセットと病院データセットでテストする。 検討したモデルの分類性能は,ROC曲線,混乱行列,標準分類指標を用いて評価した。 説明可能性モジュールは、分類に最も重要な画像特徴を調べるために実装されている。 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表すものではなく、その結果が膨らんでいることを示している。 オープンソースのデータへの依存は、バイアスや境界変数に弱いモデルを残し、胸部X線で新型コロナウイルスを検出するために、臨床的に有用で実行可能なAIツールを開発するために慎重に分析する必要がある。

関連論文リスト

• Secure Federated Learning Approaches to Diagnosing COVID-19 [0.0]
  本稿では,HIVの診断を支援するHIPAA対応モデルを提案する。 フェデレートラーニング(Federated Learning)は、分散機械学習のアプローチであり、複数の分散デバイスをまたいだアルゴリズムトレーニングを可能にする。 そこで我々は, 新型コロナウイルスの陽性診断を示す胸部X線の特徴を浮き彫りにする可視化技術を用いた。
  論文  参考訳（メタデータ） (2024-01-23T02:14:05Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• Challenges in COVID-19 Chest X-Ray Classification: Problematic Data or Ineffective Approaches? [0.0]
  胸部X線写真から新型コロナウイルスの感染を分類し、検出するための深層学習。 本研究では,データと機械学習の両方の観点から,信頼性の高いAIソリューションを作成する上で直面する課題について検討する。
  論文  参考訳（メタデータ） (2022-01-16T14:12:04Z)
• DPCOVID: Privacy-Preserving Federated Covid-19 Detection [2.1930130356902207]
  コロナウイルス(COVID-19)は、世界経済と健康に対する有害な影響により、前例のない世界的な危機を経験している。 胸部X線画像に基づく新型コロナウイルス検出のためのプライバシ保護フェデレーション学習システムを提案する。
  論文  参考訳（メタデータ） (2021-10-26T15:09:00Z)
• 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)
• RANDGAN: Randomized Generative Adversarial Network for Detection of COVID-19 in Chest X-ray [0.0]
  新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。 研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。 本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
  論文  参考訳（メタデータ） (2020-10-06T15:58:09Z)
• 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)
• Unveiling COVID-19 from Chest X-ray with deep learning: a hurdles race with small data [8.253442222027134]
  新型コロナウイルス(COVID-19)患者の早期検診に広範でシンプルな胸部X線撮影(CXR)を用いる可能性は非常に注目されている。 我々は、CXR画像の新型コロナウイルス分類にディープラーニングを適用することで、期待できるものについての洞察と警告を提供する。
  論文  参考訳（メタデータ） (2020-04-11T13:58:17Z)

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。