論文の概要: From Competition to Collaboration: Making Toy Datasets on Kaggle
Clinically Useful for Chest X-Ray Diagnosis Using Federated Learning
- arxiv url: http://arxiv.org/abs/2211.06212v1
- Date: Fri, 11 Nov 2022 14:04:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 15:56:05.570461
- Title: From Competition to Collaboration: Making Toy Datasets on Kaggle
Clinically Useful for Chest X-Ray Diagnosis Using Federated Learning
- Title（参考訳）: コンペティションからコラボレーションへ:フェデレーションラーニングを用いた胸部X線診断におけるKaggle上のトイデータセットの作成
- Authors: Pranav Kulkarni, Adway Kanhere, Paul H. Yi, Vishwa S. Parekh
- Abstract要約: 同じ患者に共存できるため、複数の疾患を考慮する必要がある。
我々は,KaggleのおもちゃCXRデータセットが臨床的に有用であることを示す。
- 参考スコア（独自算出の注目度）: 3.6704226968275258
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chest X-ray (CXR) datasets hosted on Kaggle, though useful from a data
science competition standpoint, have limited utility in clinical use because of
their narrow focus on diagnosing one specific disease. In real-world clinical
use, multiple diseases need to be considered since they can co-exist in the
same patient. In this work, we demonstrate how federated learning (FL) can be
used to make these toy CXR datasets from Kaggle clinically useful.
Specifically, we train a single FL classification model (`global`) using two
separate CXR datasets -- one annotated for presence of pneumonia and the other
for presence of pneumothorax (two common and life-threatening conditions) --
capable of diagnosing both. We compare the performance of the global FL model
with models trained separately on both datasets (`baseline`) for two different
model architectures. On a standard, naive 3-layer CNN architecture, the global
FL model achieved AUROC of 0.84 and 0.81 for pneumonia and pneumothorax,
respectively, compared to 0.85 and 0.82, respectively, for both baseline models
(p>0.05). Similarly, on a pretrained DenseNet121 architecture, the global FL
model achieved AUROC of 0.88 and 0.91 for pneumonia and pneumothorax,
respectively, compared to 0.89 and 0.91, respectively, for both baseline models
(p>0.05). Our results suggest that FL can be used to create global `meta`
models to make toy datasets from Kaggle clinically useful, a step forward
towards bridging the gap from bench to bedside.
- Abstract（参考訳）: ケストX線(CXR)データセットはKaggleにホストされているが、データサイエンスコンペティションの観点からは有用だが、特定の疾患の診断に焦点を絞っているため、臨床利用に限られている。
現実の臨床試験では、同一患者に共存できるため、複数の疾患を考慮する必要がある。
本研究では,KaggleのCXRデータセットを臨床的に有用にするために,フェデレートラーニング(FL)をいかに活用できるかを示す。
具体的には、1つのfl分類モデル(`global`)を2つの別個のcxrデータセットで訓練し、もう1つは肺炎の存在、もう1つは気胸(一般的な状態と生命を脅かす状態)の存在を警告し、両方の診断を可能にした。
我々は,グローバルFLモデルの性能を,2つの異なるモデルアーキテクチャに対して,両方のデータセット(`baseline`)で個別に訓練されたモデルと比較する。
標準の3層CNNアーキテクチャでは,AUROCが0.84と0.81で肺炎と気胸がそれぞれ0.85と0.82であった(p>0.05)。
同様に, プレトレーニングDenseNet121アーキテクチャでは, それぞれ0.88および0.91のAUROCを, それぞれ0.89および0.91のAUROCを, 両ベースラインモデルでそれぞれ達成した(p>0.05)。
以上の結果から,FLはグローバルな「メタ」モデルの作成に利用でき,Kaggleのおもちゃデータセットを臨床的に有用なものにすることができることが示唆された。
関連論文リスト
- A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Vision Transformer for Efficient Chest X-ray and Gastrointestinal Image
Classification [2.3293678240472517]
本研究では,多種多様なCNNとトランスフォーマーを用いたデータ拡張手法を提案する。
異なるモダリティから3つの医用画像データセットを用いて評価を行った。
論文 参考訳（メタデータ） (2023-04-23T04:07:03Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - FLamby: Datasets and Benchmarks for Cross-Silo Federated Learning in
Realistic Healthcare Settings [51.09574369310246]
Federated Learning(FL)は、センシティブなデータを保持している複数のクライアントが協力して機械学習モデルをトレーニングできる新しいアプローチである。
本稿では,医療分野に重点を置くクロスサイロ・データセット・スイートFLambyを提案し,クロスサイロ・FLの理論と実践のギャップを埋める。
私たちのフレキシブルでモジュラーなスイートによって、研究者は簡単にデータセットをダウンロードし、結果を再現し、研究のためにさまざまなコンポーネントを再利用することができます。
論文 参考訳（メタデータ） (2022-10-10T12:17:30Z) - Learning to diagnose common thorax diseases on chest radiographs from
radiology reports in Vietnamese [0.33598755777055367]
ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。
このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
論文 参考訳（メタデータ） (2022-09-11T06:06:03Z) - Contrastive learning-based pretraining improves representation and
transferability of diabetic retinopathy classification models [1.9882302955470608]
自己教師付きコントラスト学習に基づく事前学習により、小さなラベル付きデータセットを持つ堅牢で一般化されたディープラーニングモデルの開発が可能になる。
本研究の目的は,CLによるプレトレーニングが糖尿病網膜症 (DR) の診断成績に及ぼす影響を評価することである。
論文 参考訳（メタデータ） (2022-08-24T14:07:45Z) - Improving Disease Classification Performance and Explainability of Deep
Learning Models in Radiology with Heatmap Generators [0.0]
3つの実験セットがU-Netアーキテクチャを用いて行われ、分類性能が向上した。
最大の改善点は「肺炎」クラスと「CHF」クラスであり、ベースラインモデルは分類に最も苦労した。
論文 参考訳（メタデータ） (2022-06-28T13:03:50Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z) - FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。
FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。
FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文 参考訳（メタデータ） (2020-10-30T03:17:31Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z)
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。