論文の概要: Understanding the impact of class imbalance on the performance of chest
x-ray image classifiers
- arxiv url: http://arxiv.org/abs/2112.12843v1
- Date: Thu, 23 Dec 2021 20:57:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 16:04:13.938601
- Title: Understanding the impact of class imbalance on the performance of chest
x-ray image classifiers
- Title（参考訳）: 胸部X線画像分類器の性能に及ぼすクラス不均衡の影響の理解
- Authors: Candelaria Mosquera, Luciana Ferrer, Diego Milone, Daniel Luna, Enzo
Ferrante
- Abstract要約: 本研究の目的は,胸部X線分類器の性能に及ぼすクラス不均衡の影響を理解することである。
本稿では,システムの性能をよりよく反映した,精度・リコール曲線とバランスド・ブライアスコアの2つの代替指標を提案する。
- 参考スコア（独自算出の注目度）: 13.593336529221613
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work aims to understand the impact of class imbalance on the performance
of chest x-ray classifiers, in light of the standard evaluation practices
adopted by researchers in terms of discrimination and calibration performance.
Firstly, we conducted a literature study to analyze common scientific practices
and confirmed that: (1) even when dealing with highly imbalanced datasets, the
community tends to use metrics that are dominated by the majority class; and
(2) it is still uncommon to include calibration studies for chest x-ray
classifiers, albeit its importance in the context of healthcare. Secondly, we
perform a systematic experiment on two major chest x-ray datasets to explore
the behavior of several performance metrics under different class ratios and
show that widely adopted metrics can conceal the performance in the minority
class. Finally, we propose the adoption of two alternative metrics, the
precision-recall curve and the Balanced Brier score, which better reflect the
performance of the system in such scenarios. Our results indicate that current
evaluation practices adopted by the research community for chest x-ray
classifiers may not reflect the performance of such systems for computer-aided
diagnosis in real clinical scenarios, and suggest alternatives to improve this
situation.
- Abstract（参考訳）: 本研究の目的は,胸部X線分類器の性能に及ぼすクラス不均衡の影響を理解することである。
まず,一般的な科学的実践を分析するための文献研究を行い,(1)不均衡なデータセットを扱う場合であっても,多数派が支配する指標をコミュニティが利用する傾向にあり,(2)胸部x線分類器のキャリブレーション研究を含めることは稀である。
第2に,2つの胸部X線データセットの系統的な実験を行い,異なるクラス比で複数のパフォーマンス指標の挙動を探索し,広く採用されている指標がマイノリティクラスのパフォーマンスを隠蔽できることを示す。
最後に,これらのシナリオにおけるシステムの性能をよりよく反映した,精度・リコール曲線とバランスド・ブライアスコアの2つの代替指標を採用することを提案する。
以上の結果から,胸部X線分類器の研究コミュニティが採用している評価手法は,実際の臨床シナリオにおけるコンピュータ支援診断システムの性能を反映していない可能性が示唆された。
関連論文リスト
- Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。
我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。
LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
論文 参考訳（メタデータ） (2024-04-10T09:48:52Z) - Comparison of Machine Learning Classification Algorithms and Application
to the Framingham Heart Study [0.0]
医療における機械学習アルゴリズムの使用は、社会的不正と健康上の不平等を増幅することができる。
本研究は,機械学習分類アルゴリズムの開発と展開後における一般化可能性障害に関するものである。
論文 参考訳（メタデータ） (2024-02-22T22:49:35Z) - A Survey of the Impact of Self-Supervised Pretraining for Diagnostic
Tasks with Radiological Images [71.26717896083433]
自己教師付き事前学習は,伝達学習における特徴表現の改善に有効であることが観察されている。
本総説ではX線, CT, 磁気共鳴, 超音波画像における使用法について概説する。
論文 参考訳（メタデータ） (2023-09-05T19:45:09Z) - Discrimination of Radiologists Utilizing Eye-Tracking Technology and
Machine Learning: A Case Study [0.9142067094647588]
本研究では,効率的な幾何アライメントのためのバイナリ固定データに基づく新しい離散化特徴符号化を提案する。
眼球固定データの符号化された特徴は、教員と研修生の放射線技師を識別するために機械学習分類器によって使用される。
論文 参考訳（メタデータ） (2023-08-04T23:51:47Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Concentration Inequalities for Two-Sample Rank Processes with
Application to Bipartite Ranking [0.0]
ROC曲線は、テスト/スコアリング統計のパフォーマンスを測定するための金の標準です。
スコアリング/ランク付けアプリケーションで使用される実践的なパフォーマンス指標は、ROC曲線の要約と見なすことができる。
論文 参考訳（メタデータ） (2021-04-07T06:31:06Z) - Interpretable COVID-19 Chest X-Ray Classification via Orthogonality
Constraint [10.190872613479632]
胸部X線画像からのCOVID-19症例の分類にOrthogonal Spheres(OS)制約を用いることの利点について検討した。
これまでの研究では、このような制約をディープラーニングモデルに適用する大きなメリットが実証されてきた。
提案手法は,2クラス・3クラス分類における精度を1.6%,4.8%向上させる。
論文 参考訳（メタデータ） (2021-02-02T11:35:28Z) - Advancing diagnostic performance and clinical usability of neural
networks via adversarial training and dual batch normalization [2.1699022621790736]
6人の放射線学者がX線、CT、磁気共鳴画像スキャンのデータセットにおける塩分濃度マップの解釈可能性を評価する。
その結果, 十分大きなデータセットと二重バッチノルムを用いた場合, 逆学習モデルの精度は標準モデルに等しいことがわかった。
論文 参考訳（メタデータ） (2020-11-25T20:41:01Z)
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。