論文の概要: Improving AI-Based Canine Heart Disease Diagnosis with Expert-Consensus Auscultation Labeling

• arxiv url: http://arxiv.org/abs/2507.05950v1
• Date: Tue, 08 Jul 2025 12:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.052744
• Title: Improving AI-Based Canine Heart Disease Diagnosis with Expert-Consensus Auscultation Labeling
• Title（参考訳）: エキスパート・コンセンサス・オースキュレーション・ラベリングによる犬の心疾患診断の改善
• Authors: Pinar Bisgin, Tom Strube, Niklas Tschorn, Michael Pantförder, Maximilian Fecke, Ingrid Ljungvall, Jens Häggström, Gerhard Wess, Christoph Schummer, Sven Meister, Falk M. Howar,
• Abstract要約: ノイズラベルは、獣医学におけるAIモデルのトレーニングに重大な課題をもたらす。 本研究では,イヌの聴力評価データのあいまいさを専門的に評価し,ラベルノイズが分類性能に与える影響を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noisy labels pose significant challenges for AI model training in veterinary medicine. This study examines expert assessment ambiguity in canine auscultation data, highlights the negative impact of label noise on classification performance, and introduces methods for label noise reduction. To evaluate whether label noise can be minimized by incorporating multiple expert opinions, a dataset of 140 heart sound recordings (HSR) was annotated regarding the intensity of holosystolic heart murmurs caused by Myxomatous Mitral Valve Disease (MMVD). The expert opinions facilitated the selection of 70 high-quality HSR, resulting in a noise-reduced dataset. By leveraging individual heart cycles, the training data was expanded and classification robustness was enhanced. The investigation encompassed training and evaluating three classification algorithms: AdaBoost, XGBoost, and Random Forest. While AdaBoost and Random Forest exhibited reasonable performances, XGBoost demonstrated notable improvements in classification accuracy. All algorithms showed significant improvements in classification accuracy due to the applied label noise reduction, most notably XGBoost. Specifically, for the detection of mild heart murmurs, sensitivity increased from 37.71% to 90.98% and specificity from 76.70% to 93.69%. For the moderate category, sensitivity rose from 30.23% to 55.81% and specificity from 64.56% to 97.19%. In the loud/thrilling category, sensitivity and specificity increased from 58.28% to 95.09% and from 84.84% to 89.69%, respectively. These results highlight the importance of minimizing label noise to improve classification algorithms for the detection of canine heart murmurs. Index Terms: AI diagnosis, canine heart disease, heart sound classification, label noise reduction, machine learning, XGBoost, veterinary cardiology, MMVD.
• Abstract（参考訳）: ノイズラベルは、獣医学におけるAIモデルのトレーニングに重大な課題をもたらす。 本研究では,イヌの聴力評価データのあいまいさについて検討し,ラベルノイズが分類性能に与える影響を強調し,ラベルノイズ低減手法を提案する。 複数の専門家の意見を取り入れてラベルノイズを最小化できるかどうかを評価するため, 粘液腫性僧帽弁疾患(MMVD)によるホロサイストーリック心筋の強度について, 140個の心音記録データセット(HSR)をアノテートした。 専門家の意見は、70の高品質なHSRの選択を促進し、ノイズを低減したデータセットを生み出した。 個別の心臓循環を利用することで、トレーニングデータを拡張し、分類ロバスト性を高めた。 この調査は、AdaBoost、XGBoost、Random Forestの3つの分類アルゴリズムのトレーニングと評価を含む。 AdaBoostとRandom Forestは合理的な性能を示したが、XGBoostは分類精度を顕著に改善した。 全てのアルゴリズムは、ラベルノイズの低減により分類精度が大幅に向上し、特にXGBoostが顕著であった。 具体的には、軽度の心臓大腿骨の検出において、感度は37.71%から90.98%に上昇し、特異性は76.70%から93.69%に上昇した。 適度なカテゴリーでは、感度は30.23%から55.81%に上昇し、特異性は64.56%から97.19%に上昇した。 ラウド/スライリングのカテゴリーでは、感度と特異性はそれぞれ58.28%から95.09%に増加し、84.84%から89.69%に増加した。 これらの結果から,犬大腿骨の分類アルゴリズムの改善を目的としたラベルノイズの最小化の重要性が示唆された。 指標用語:AI診断、犬の心臓病、心臓音分類、ラベルノイズ低減、機械学習、XGBoost、獣医学、MMVD。

関連論文リスト

• Training Gradient Boosted Decision Trees on Tabular Data Containing Label Noise for Classification Tasks [1.261491746208123]
  本研究は,ラベルノイズが勾配ブースト決定木(GBDT)に及ぼす影響について検討する。 GBDTを用いた深層学習から2つのノイズ検出手法を適用し,Gradientsと呼ばれる新しい検出手法を導入する。 ノイズ検出手法は,全てのノイズレベルにわたるアダルトデータセットにおいて,99%以上のノイズ検出精度で,最先端のノイズ検出を実現する。
  論文  参考訳（メタデータ） (2024-09-13T09:09:24Z)
• 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)
• RoS-KD: A Robust Stochastic Knowledge Distillation Approach for Noisy Medical Imaging [67.02500668641831]
  ノイズの多いデータセットでトレーニングされたディープラーニングモデルは、ノイズタイプに敏感であり、目に見えないサンプルの一般化が少なくなる。 本稿では,複数の情報源からトピックを学習する概念を模倣したロバスト知識蒸留(RoS-KD)フレームワークを提案する。 RoS-KDは、訓練データの重複する部分集合について訓練された複数の教師から知識を蒸留することにより、滑らかで、よく表現された、堅牢な学生多様体を学習する。
  論文  参考訳（メタデータ） (2022-10-15T22:32:20Z)
• Heart Sound Classification Considering Additive Noise and Convolutional Distortion [2.63046959939306]
  異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。 本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。 提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
  論文  参考訳（メタデータ） (2021-06-03T14:09:04Z)
• Robust Classification from Noisy Labels: Integrating Additional Knowledge for Chest Radiography Abnormality Assessment [14.631388658828921]
  大規模な公開データセットの導入は、自動異常分類のための一連の新しいシステムに繋がった。 このような最適データからラベルノイズを処理する新しいトレーニング戦略を提案します。 平均AUCスコアが0.880の全ての異常に対して、提案したトレーニング戦略は、パフォーマンススコアを著しく向上させるのに有効である。
  論文  参考訳（メタデータ） (2021-04-12T07:51:07Z)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Cost-Sensitive Machine Learning Classification for Mass Tuberculosis Verbal Screening [0.0]
  識別値の感度は1.26%,特異性は13.19%向上した。 その結果, 限られたデータであっても, 言語スクリーニングからTB容疑者を識別するより良い手法を実際に考案できることが示唆された。
  論文  参考訳（メタデータ） (2020-11-14T21:41:29Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。