論文の概要: Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography

• arxiv url: http://arxiv.org/abs/2504.12249v3
• Date: Mon, 21 Jul 2025 15:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 14:33:32.029833
• Title: Comparative Evaluation of Radiomics and Deep Learning Models for Disease Detection in Chest Radiography
• Title（参考訳）: 胸部X線撮影における疾患検出のための放射線と深層学習モデルの比較評価
• Authors: Zhijin He, Alan B. McMillan,
• Abstract要約: 胸部X線撮影における疾患検出のための放射線治療と深層学習によるアプローチについて検討した。 深層学習モデルは画像データから直接学習し、放射能ベースのモデルは手作りの特徴を抽出する。 これらの知見は、診断AIにおけるモデル選択のための統計的に検証された、データ駆動の推奨を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The application of artificial intelligence (AI) in medical imaging has revolutionized diagnostic practices, enabling advanced analysis and interpretation of radiological data. This study presents a comprehensive evaluation of radiomics-based and deep learning-based approaches for disease detection in chest radiography, focusing on COVID-19, lung opacity, and viral pneumonia. While deep learning models, particularly convolutional neural networks and vision transformers, learn directly from image data, radiomics-based models extract handcrafted features, offering potential advantages in data-limited scenarios. We systematically compared the diagnostic performance of various AI models, including Decision Trees, Gradient Boosting, Random Forests, Support Vector Machines, and Multi-Layer Perceptrons for radiomics, against state-of-the-art deep learning models such as InceptionV3, EfficientNetL, and ConvNeXtXLarge. Performance was evaluated across multiple sample sizes. At 24 samples, EfficientNetL achieved an AUC of 0.839, outperforming SVM (AUC = 0.762). At 4000 samples, InceptionV3 achieved the highest AUC of 0.996, compared to 0.885 for Random Forest. A Scheirer-Ray-Hare test confirmed significant main and interaction effects of model type and sample size on all metrics. Post hoc Mann-Whitney U tests with Bonferroni correction further revealed consistent performance advantages for deep learning models across most conditions. These findings provide statistically validated, data-driven recommendations for model selection in diagnostic AI. Deep learning models demonstrated higher performance and better scalability with increasing data availability, while radiomics-based models may remain useful in low-data contexts. This study addresses a critical gap in AI-based diagnostic research by offering practical guidance for deploying AI models across diverse clinical environments.
• Abstract（参考訳）: 医用画像への人工知能(AI)の応用は診断の実践に革命をもたらし、放射線データの高度な分析と解釈を可能にした。 本研究は, 胸部X線撮影における放射線治療, 肺不透明度, ウイルス性肺炎を中心に, 放射線治療と深層学習による疾患検出の総合的評価を行った。 ディープラーニングモデル、特に畳み込みニューラルネットワークとビジョントランスフォーマーは、画像データから直接学習するが、放射能ベースのモデルは手作りの特徴を抽出し、データ制限シナリオにおいて潜在的な利点を提供する。 InceptionV3、EfficientNetL、ConvNeXtXLargeといった最先端のディープラーニングモデルに対して、決定木、グラディエントブースティング、ランダムフォレスト、サポートベクターマシン、マルチレイヤーパーセプトロンなどのAIモデルの診断性能を体系的に比較した。 性能は複数の試料サイズで評価された。 24サンプルで、EfficientNetLは0.839のAUCを達成し、SVM(AUC = 0.762)を上回った。 4000のサンプルで、InceptionV3 は 0.996 の AUC を達成し、ランダムフォレストでは 0.885 を達成した。 Scheirer-Ray-Hareテストでは、モデルタイプとサンプルサイズがすべての指標に有意な影響と相互作用があることが確認された。 ポストホックのMann-Whitney Uテストとボンフェロニ補正により、多くの条件でディープラーニングモデルに一貫した性能上の利点が明らかにされた。 これらの知見は、診断AIにおけるモデル選択のための統計的に検証された、データ駆動の推奨を提供する。 ディープラーニングモデルは、データ可用性の向上とともに、より高いパフォーマンスとスケーラビリティを示し、一方、Radiomicsベースのモデルは、低データコンテキストで有用である。 本研究は、さまざまな臨床環境にAIモデルをデプロイするための実践的なガイダンスを提供することにより、AIベースの診断研究における重要なギャップを解決する。

関連論文リスト

• Explainable AI-Driven Detection of Human Monkeypox Using Deep Learning and Vision Transformers: A Comprehensive Analysis [0.20482269513546453]
  mpoxは動物園で流行するウイルス病で、公衆衛生に重大な影響を及ぼす。 症状が麻疹や鶏痘の症状とどのように一致しているかから,早期臨床診断は困難である。 深層学習(DL)技術と併用した医用画像は, 皮膚領域を解析することにより, 疾患検出の改善を約束している。 本研究は,皮膚病変画像データセットを用いて,深層学習と視覚トランスフォーマーに基づくモデルをスクラッチからトレーニングする可能性について検討した。
  論文  参考訳（メタデータ） (2025-04-03T19:45:22Z)
• Artificial Intelligence-Driven Prognostic Classification of COVID-19 Using Chest X-rays: A Deep Learning Approach [0.0]
  本研究では,Chest X線画像を用いて,新型コロナウイルスの重症度(中・中・重症度)を分類するための高精度深層学習モデルを提案する。 平均精度は97%,特異性は99%,感度は87%,F1スコアは93.11%であった。 これらの結果は、実際の臨床応用におけるモデルの可能性を示している。
  論文  参考訳（メタデータ） (2025-03-17T15:27:21Z)
• Towards Virtual Clinical Trials of Radiology AI with Conditional Generative Modeling [10.014130930114172]
  本稿では,放射線学AIの仮想臨床試験(VCT)のために設計された条件付き生成AIモデルを紹介する。 画像と解剖学的構造の関節分布を学習することにより,実世界の患者集団の正確な再現を可能にした。 我々は,合成CTを用いたVCTを用いた放射線学AIモデルの有意義な評価を行った。
  論文  参考訳（メタデータ） (2025-02-13T15:53:52Z)
• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Automated Radiology Report Generation: A Review of Recent Advances [5.965255286239531]
  人工知能の最近の技術進歩は、自動放射線学レポート生成に大きな可能性を示している。 人工知能の最近の進歩は、自動放射線診断レポート生成に大きな可能性を示している。
  論文  参考訳（メタデータ） (2024-05-17T15:06:08Z)
• CopilotCAD: Empowering Radiologists with Report Completion Models and Quantitative Evidence from Medical Image Foundation Models [3.8940162151291804]
  本研究は,放射線技師の補助的共同操縦システムを構築するための革新的なパラダイムを紹介する。 我々は,大規模言語モデル(LLM)と医用画像解析ツールを統合する協調フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-04-11T01:33:45Z)
• Towards Enhanced Analysis of Lung Cancer Lesions in EBUS-TBNA -- A Semi-Supervised Video Object Detection Method [0.0]
  本研究は, 子宮内膜超音波(EBUS)を用いた肺病変のコンピュータ診断システムの構築を目的とする。 これまでの研究では、EBUS-TBNAへのオブジェクト検出モデルの適用が不足していた。
  論文  参考訳（メタデータ） (2024-04-02T13:23:21Z)
• Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
  オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。 トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。 評価のために,GPT-4に基づく実測値CheXpromptを提案する。 LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
  論文  参考訳（メタデータ） (2024-03-12T18:12:02Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• The Utility of the Virtual Imaging Trials Methodology for Objective Characterization of AI Systems and Training Data [1.6040478776985583]
  臨床および仮想CTとCXRを用いた畳み込みニューラルネットワークを用いた新型コロナウイルスの診断例について検討した。 複数のAIモデルは、多様なデータセットにわたる3D ResNet-likeと2D EfficientNetv2アーキテクチャを使用して開発、テストされた。 VITアプローチは、モデルの透明性と信頼性を高めるために使用することができ、AIのパフォーマンスを駆動する要因に関する微妙な洞察を提供し、実験的および臨床的設定のギャップを埋める。
  論文  参考訳（メタデータ） (2023-08-17T19:12:32Z)
• Future Artificial Intelligence tools and perspectives in medicine [1.7532045941271799]
  現在、がんの限られた管理は人工知能の恩恵を受けており、主にコンピューター支援診断に関連しており、追加のリスクとコストを示す生検分析を避けている。 本稿では,臨床応用のためのAIベースの放射線治療ツールの進歩について概説する。
  論文  参考訳（メタデータ） (2022-06-04T11:27:43Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Hierarchical Analysis of Visual COVID-19 Features from Chest Radiographs [5.832030105874915]
  我々は, 放射線学的決定プロセスと整合した, 人間の解釈可能なクラス階層を用いて, 放射線学的特徴をモデル化する。 実験により、モデル故障は、ICU撮像条件と非常に相関し、特定の種類の放射線学的特徴を識別することが本質的に困難であることが示されている。
  論文  参考訳（メタデータ） (2021-07-14T11:37:28Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。