論文の概要: Domain Shift Analysis in Chest Radiographs Classification in a Veterans Healthcare Administration Population

• arxiv url: http://arxiv.org/abs/2407.21149v1
• Date: Tue, 30 Jul 2024 19:23:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-01 19:24:51.173096
• Title: Domain Shift Analysis in Chest Radiographs Classification in a Veterans Healthcare Administration Population
• Title（参考訳）: 獣医医療管理集団における胸部X線写真分類におけるドメインシフト解析
• Authors: Mayanka Chandrashekar, Ian Goethert, Md Inzamam Ul Haque, Benjamin McMahon, Sayera Dhaubhadel, Kathryn Knight, Joseph Erdos, Donna Reagan, Caroline Taylor, Peter Kuzmak, John Michael Gaziano, Eileen McAllister, Lauren Costa, Yuk-Lam Ho, Kelly Cho, Suzanne Tamang, Samah Fodeh-Jarad, Olga S. Ovchinnikova, Amy C. Justice, Jacob Hinkle, Ioana Danciu,
• Abstract要約: DenseNet121モデルのMIMIC-CXRデータセットを深層学習に基づくマルチラベル分類に使用した。 MIMIC-CXR および Veterans Healthcare Administration 胸部X線データセット (VA-CXR) の胸部X線ラベルについて比較検討した。 VA-CXRデータセットはMIMIC-CXRデータセットよりも低い不一致率を示した。
• 参考スコア（独自算出の注目度）: 3.4362586245712112
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Objectives: This study aims to assess the impact of domain shift on chest X-ray classification accuracy and to analyze the influence of ground truth label quality and demographic factors such as age group, sex, and study year. Materials and Methods: We used a DenseNet121 model pretrained MIMIC-CXR dataset for deep learning-based multilabel classification using ground truth labels from radiology reports extracted using the CheXpert and CheXbert Labeler. We compared the performance of the 14 chest X-ray labels on the MIMIC-CXR and Veterans Healthcare Administration chest X-ray dataset (VA-CXR). The VA-CXR dataset comprises over 259k chest X-ray images spanning between the years 2010 and 2022. Results: The validation of ground truth and the assessment of multi-label classification performance across various NLP extraction tools revealed that the VA-CXR dataset exhibited lower disagreement rates than the MIMIC-CXR datasets. Additionally, there were notable differences in AUC scores between models utilizing CheXpert and CheXbert. When evaluating multi-label classification performance across different datasets, minimal domain shift was observed in unseen datasets, except for the label "Enlarged Cardiomediastinum." The study year's subgroup analyses exhibited the most significant variations in multi-label classification model performance. These findings underscore the importance of considering domain shifts in chest X-ray classification tasks, particularly concerning study years. Conclusion: Our study reveals the significant impact of domain shift and demographic factors on chest X-ray classification, emphasizing the need for improved transfer learning and equitable model development. Addressing these challenges is crucial for advancing medical imaging and enhancing patient care.
• Abstract（参考訳）: 目的: 本研究は, 領域シフトが胸部X線分類精度に及ぼす影響を評価し, 真実ラベルの品質と年齢群, 性別, 研究年度などの人口構成因子の影響を分析することを目的とする。 資料と方法:我々は深層学習に基づく多ラベル分類にDenseNet121モデルのMIMIC-CXRを用いた。 MIMIC-CXR と Veterans Healthcare Administration の胸部X-ray データセット (VA-CXR) を用いて, 胸部X-ray ラベルの評価を行った。 VA-CXRデータセットは、2010年から2022年の間に259k以上の胸部X線画像を含む。 その結果, VA-CXRデータセットはMIMIC-CXRデータセットよりも低い不一致率を示した。 さらに、CheXpertとCheXbertを利用するモデル間でAUCスコアに顕著な違いがあった。 異なるデータセット間でのマルチラベル分類性能を評価する際、"Enlarged Cardiomediastinum"というラベルを除いて、目に見えないデータセットでは最小限のドメインシフトが観察された。 調査年度のサブグループ分析は,多ラベル分類モデルの性能において最も有意な変動を示した。 これらの結果は, 胸部X線分類課題, 特に研究年数における領域シフトを検討することの重要性を浮き彫りにした。 結論:本研究は,領域シフトと人口動態因子が胸部X線分類に与える影響を明らかにし,転写学習の改善と同値モデル開発の必要性を強調した。 これらの課題に対処することは、医療画像の進歩と患者ケアの強化に不可欠である。

関連論文リスト

• LTCXNet: Advancing Chest X-Ray Analysis with Solutions for Long-Tailed Multi-Label Classification and Fairness Challenges [4.351007758390175]
  Pruned MIMIC-CXR-LTデータセットは、長い尾と多ラベルのデータシナリオを表現するように設計されている。 本稿では,ConvNeXtモデル,ML-Decoder,戦略的データ拡張を統合した新しいフレームワークであるLCCXNetを紹介する。
  論文  参考訳（メタデータ） (2024-11-16T08:59:20Z)
• 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)
• CheXmask: a large-scale dataset of anatomical segmentation masks for multi-center chest x-ray images [5.155027747328496]
  画像に均一な微細な解剖学的アノテーションを付加した胸部X線マルチセンターセグメンテーションデータセットを提案する。 提案手法はHybridGNetモデルを用いて,一貫性と高品質なセグメンテーションを保証する。 このデータセットは、より広い科学コミュニティにとって貴重なリソースである。
  論文  参考訳（メタデータ） (2023-07-06T21:08:03Z)
• MDF-Net for abnormality detection by fusing X-rays with clinical data [14.347359031598813]
  本研究は,患者の臨床情報が深層学習(DL)分類器の性能に及ぼす影響について検討した。 患者の臨床データと胸部X線を同時に処理できる2つの融合法からなる新しいアーキテクチャを提案する。 その結果, 患者の臨床データをDLモデルに組み込むことで, 胸部X線像の病的局在を平均精度で12%改善できることがわかった。
  論文  参考訳（メタデータ） (2023-02-26T19:16:57Z)
• 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)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• 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)
• 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)
• CheXclusion: Fairness gaps in deep chest X-ray classifiers [4.656202572362684]
  本研究では,最先端のディープラーニング分類器が保護属性に対してどの程度偏りがあるかを検討する。 我々は畳み込みニューラルネットワークをトレーニングし、14の診断ラベルを3つの有名な公共胸部X線データセットで予測する。 TPRの相違はサブグループの比例性疾患の重荷と有意な相関は認められなかった。
  論文  参考訳（メタデータ） (2020-02-14T22:08:12Z)

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。