論文の概要: Is Dataset Quality Still a Concern in Diagnosis Using Large Foundation Model?

• arxiv url: http://arxiv.org/abs/2405.12584v1
• Date: Tue, 21 May 2024 08:27:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-22 13:58:57.171283
• Title: Is Dataset Quality Still a Concern in Diagnosis Using Large Foundation Model?
• Title（参考訳）: 大規模ファンデーションモデルを用いた診断におけるデータセットの品質は依然として懸念されているか?
• Authors: Ziqin Lin, Heng Li, Zinan Li, Huazhu Fu, Jiang Liu,
• Abstract要約: VIT (Vision Transformer) と自己教師型学習フレームワークを用いた基礎画像用 LFM を開発した。 LFMにおけるデータ品質の影響を調べるため,異なる品質のデータセットを用いて2つの基礎診断タスクの探索を行った。 LFMは画像品質やデータセットバイアスなど,一般的な畳み込みネットワークに比べて,データセットの品質問題に対するレジリエンスが高いことがわかった。
• 参考スコア（独自算出の注目度）: 33.71784955496207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in pre-trained large foundation models (LFM) have yielded significant breakthroughs across various domains, including natural language processing and computer vision. These models have been particularly impactful in the domain of medical diagnostic tasks. With abundant unlabeled data, an LFM has been developed for fundus images using the Vision Transformer (VIT) and a self-supervised learning framework. This LFM has shown promising performance in fundus disease diagnosis across multiple datasets. On the other hand, deep learning models have long been challenged by dataset quality issues, such as image quality and dataset bias. To investigate the influence of data quality on LFM, we conducted explorations in two fundus diagnosis tasks using datasets of varying quality. Specifically, we explored the following questions: Is LFM more robust to image quality? Is LFM affected by dataset bias? Can fine-tuning techniques alleviate these effects? Our investigation found that LFM exhibits greater resilience to dataset quality issues, including image quality and dataset bias, compared to typical convolutional networks. Furthermore, we discovered that overall fine-tuning is an effective adapter for LFM to mitigate the impact of dataset quality issues.
• Abstract（参考訳）: 最近のLFM(Pre-trained large foundation model)の進歩は、自然言語処理やコンピュータビジョンなど、様々な領域で大きなブレークスルーをもたらしている。 これらのモデルは、特に医療診断タスクの領域に影響を与えている。 豊富なラベルのないデータを用いて、VIT(Vision Transformer)と自己教師付き学習フレームワークを用いて、基礎画像のためのLFMが開発された。 この LFM は、複数のデータセットにまたがる基礎疾患の診断において有望な性能を示した。 一方、ディープラーニングモデルは、画像の品質やデータセットのバイアスといった、データセットの品質の問題によって、長年にわたって問題視されてきた。 LFMにおけるデータ品質の影響を調べるため,異なる品質のデータセットを用いて2つの基礎診断タスクの探索を行った。 LFMは画像品質に対してより堅牢か? LFMはデータセットバイアスに影響されるか? 微調整技術はこれらの効果を緩和できるのか? LFMは画像品質やデータセットバイアスなど,一般的な畳み込みネットワークに比べて,データセットの品質問題に対するレジリエンスが高いことがわかった。 さらに、全体としての微調整は、データセットの品質問題の影響を軽減するために、LFMの効果的なアダプタであることが判明した。

関連論文リスト

• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• Investigating the Quality of DermaMNIST and Fitzpatrick17k Dermatological Image Datasets [19.128392861461297]
  DermaMNIST と Fitzpatrick17k という2つの一般的な皮膚画像データセットの精査分析を行った。 データ品質の問題を明らかにし、これらの問題がベンチマーク結果に与える影響を測定し、データセットの修正を提案する。
  論文  参考訳（メタデータ） (2024-01-25T20:29:01Z)
• GAN-GA: A Generative Model based on Genetic Algorithm for Medical Image Generation [0.0]
  生成モデルは、医療画像不足問題に対処するための有望な解決策を提供する。 本稿では遺伝的アルゴリズムを組み込んだ生成モデルであるGAN-GAを提案する。 提案モデルは特徴を保ちながら画像の忠実度と多様性を向上させる。
  論文  参考訳（メタデータ） (2023-12-30T20:16:45Z)
• AlignTransformer: Hierarchical Alignment of Visual Regions and Disease Tags for Medical Report Generation [50.21065317817769]
  本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。 パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
  論文  参考訳（メタデータ） (2022-03-18T13:43:53Z)
• Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
  本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。 本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
  論文  参考訳（メタデータ） (2021-10-13T15:40:50Z)
• 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)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• 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)

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。