論文の概要: A foundation model for generalizable disease diagnosis in chest X-ray images

• arxiv url: http://arxiv.org/abs/2410.08861v1
• Date: Fri, 11 Oct 2024 14:41:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-30 21:35:51.504323
• Title: A foundation model for generalizable disease diagnosis in chest X-ray images
• Title（参考訳）: 胸部X線画像における一般化可能な疾患診断の基礎モデル
• Authors: Lijian Xu, Ziyu Ni, Hao Sun, Hongsheng Li, Shaoting Zhang,
• Abstract要約: CXRBaseは,非ラベリングなCXR画像から多目的表現を学習するための基礎モデルである。 CXRBaseは1.04百万の未ラベルのCXRイメージのデータセットでトレーニングされている。 ラベル付きデータで微調整され、疾患検出の性能を高める。
• 参考スコア（独自算出の注目度）: 40.9095393430871
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical artificial intelligence (AI) is revolutionizing the interpretation of chest X-ray (CXR) images by providing robust tools for disease diagnosis. However, the effectiveness of these AI models is often limited by their reliance on large amounts of task-specific labeled data and their inability to generalize across diverse clinical settings. To address these challenges, we introduce CXRBase, a foundational model designed to learn versatile representations from unlabelled CXR images, facilitating efficient adaptation to various clinical tasks. CXRBase is initially trained on a substantial dataset of 1.04 million unlabelled CXR images using self-supervised learning methods. This approach allows the model to discern meaningful patterns without the need for explicit labels. After this initial phase, CXRBase is fine-tuned with labeled data to enhance its performance in disease detection, enabling accurate classification of chest diseases. CXRBase provides a generalizable solution to improve model performance and alleviate the annotation workload of experts to enable broad clinical AI applications from chest imaging.
• Abstract（参考訳）: 医療人工知能(AI)は、疾患診断のための堅牢なツールを提供することで、胸部X線像(CXR)の解釈に革命をもたらしている。 しかし、これらのAIモデルの有効性は、大量のタスク固有のラベル付きデータに依存することと、様々な臨床的な設定で一般化できないことによって制限されることが多い。 これらの課題に対処するため、我々はCXRBaseを紹介した。CXRBaseは、難解なCXR画像から多目的表現を学習するための基礎モデルであり、様々な臨床タスクへの効率的な適応を容易にする。 CXRBaseは最初、自己教師付き学習手法を使用して、1.04百万の未ラベルのCXRイメージのかなりのデータセットでトレーニングされている。 このアプローチにより、明示的なラベルを必要とせずに、モデルが意味のあるパターンを識別できる。 この初期段階の後、CXRBaseはラベル付きデータで微調整され、疾患検出の性能を高め、正確な胸部疾患の分類を可能にする。 CXRBaseは、モデルパフォーマンスを改善するための一般化可能なソリューションを提供し、専門家のアノテーションのワークロードを軽減することで、胸部イメージングから幅広い臨床AIアプリケーションを可能にする。

関連論文リスト

• Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning [46.75992018094998]
  胸部X線(CXR)を低分解能で診断する上での課題について検討した。 高分解能CXRイメージングは、結節や不透明など、小さなが重要な異常を識別するために重要である。 本稿では,MLCAK(Multilevel Collaborative Attention Knowledge)法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T06:10:54Z)
• Weakly Supervised Anomaly Detection for Chest X-Ray Image [6.506869371228188]
  胸部X線検査のための弱教師付き異常検出フレームワークを提案する。 WSCXRは、まず、正常な特徴と異常な特徴のセットをそれぞれ構築する。 その後、異常特徴抽出により正常領域の特徴を排除し、異常画像の特徴を洗練する。
  論文  参考訳（メタデータ） (2023-11-16T07:53:34Z)
• Chest X-ray Image Classification: A Causal Perspective [49.87607548975686]
  本稿では,CXR分類問題に対処する因果的アプローチを提案し,構造因果モデル(SCM)を構築し,CXR分類に有効な視覚情報を選択するためにバックドア調整を用いる。 実験の結果,提案手法はオープンソースNIH ChestX-ray14の分類性能に優れていた。
  論文  参考訳（メタデータ） (2023-05-20T03:17:44Z)
• Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
  新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。 公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。 我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-22T13:57:04Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• 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)
• Deep Metric Learning-based Image Retrieval System for Chest Radiograph and its Clinical Applications in COVID-19 [12.584626589565522]
  胸部X線写真(CXR)は、新型コロナウイルス患者のトリアージ、診断、モニタリングにおいて重要な役割を担っている。 CXRの混合信号や非特異的信号を考えると、類似した画像と関連する臨床情報の両方を提供するCXRの画像検索モデルは、より臨床的に有意義である。 本研究では,深度学習に基づく新しいCXR画像検索モデルを開発する。
  論文  参考訳（メタデータ） (2020-11-26T03:16:48Z)

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。