論文の概要: Site-Level Fine-Tuning with Progressive Layer Freezing: Towards Robust Prediction of Bronchopulmonary Dysplasia from Day-1 Chest Radiographs in Extremely Preterm Infants
- arxiv url: http://arxiv.org/abs/2507.12269v2
- Date: Thu, 17 Jul 2025 07:11:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 13:45:37.45903
- Title: Site-Level Fine-Tuning with Progressive Layer Freezing: Towards Robust Prediction of Bronchopulmonary Dysplasia from Day-1 Chest Radiographs in Extremely Preterm Infants
- Title（参考訳）: 進行層凍結を伴うサイトレベル微細調整:超早期乳児における1日目胸部X線写真からの気管支肺異形成のロバスト予測に向けて
- Authors: Sybelle Goedicke-Fritz, Michelle Bous, Annika Engel, Matthias Flotho, Pascal Hirsch, Hannah Wittig, Dino Milanovic, Dominik Mohr, Mathias Kaspar, Sogand Nemat, Dorothea Kerner, Arno Bücker, Andreas Keller, Sascha Meyer, Michael Zemlin, Philipp Flotho,
- Abstract要約: BPD(Bronchopulmonary dysplasia)は、超低出生体重児の35%に発症する慢性肺疾患である。
BPDは生涯にわたる呼吸器合併症、神経発達障害、人工呼吸器による肺傷害、全身合併症を引き起こす。
極低出生体重児163例の胸部X線を用いた深層学習法を開発し,検討した。
- 参考スコア（独自算出の注目度）: 0.20534476187806142
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bronchopulmonary dysplasia (BPD) is a chronic lung disease affecting 35% of extremely low birth weight infants. Defined by oxygen dependence at 36 weeks postmenstrual age, it causes lifelong respiratory complications. However, preventive interventions carry severe risks, including neurodevelopmental impairment, ventilator-induced lung injury, and systemic complications. Therefore, early BPD prognosis and prediction of BPD outcome is crucial to avoid unnecessary toxicity in low risk infants. Admission radiographs of extremely preterm infants are routinely acquired within 24h of life and could serve as a non-invasive prognostic tool. In this work, we developed and investigated a deep learning approach using chest X-rays from 163 extremely low-birth-weight infants ($\leq$32 weeks gestation, 401-999g) obtained within 24 hours of birth. We fine-tuned a ResNet-50 pretrained specifically on adult chest radiographs, employing progressive layer freezing with discriminative learning rates to prevent overfitting and evaluated a CutMix augmentation and linear probing. For moderate/severe BPD outcome prediction, our best performing model with progressive freezing, linear probing and CutMix achieved an AUROC of 0.78 $\pm$ 0.10, balanced accuracy of 0.69 $\pm$ 0.10, and an F1-score of 0.67 $\pm$ 0.11. In-domain pre-training significantly outperformed ImageNet initialization (p = 0.031) which confirms domain-specific pretraining to be important for BPD outcome prediction. Routine IRDS grades showed limited prognostic value (AUROC 0.57 $\pm$ 0.11), confirming the need of learned markers. Our approach demonstrates that domain-specific pretraining enables accurate BPD prediction from routine day-1 radiographs. Through progressive freezing and linear probing, the method remains computationally feasible for site-level implementation and future federated learning deployments.
- Abstract（参考訳）: BPD(Bronchopulmonary dysplasia)は、超低出生体重児の35%に発症する慢性肺疾患である。
酸素依存症は月経36週後に発症し、生涯にわたる呼吸器合併症を引き起こす。
しかし、予防的介入は、神経発達障害、人工呼吸器による肺傷害、全身合併症などの深刻なリスクを負う。
そのため,低リスク児におけるBPD早期予後とBPD予後の予測は,不必要な毒性を回避するために重要である。
極端に長期の乳幼児の受注X線写真は24時間以内に定期的に取得され、非侵襲的予後ツールとして機能する。
本研究は, 極低出生体重児163例(妊娠32週, 401-999g)の胸部X線を用いた深層学習法を開発した。
成人胸部X線写真に特化してトレーニングしたResNet-50を,差別的学習率の進行層凍結法を用いて微調整し,CutMix増補法と線形探傷法の評価を行った。
AUROCは0.78$\pm$ 0.10, バランス精度0.69$\pm$ 0.10, F1スコア0.67$\pm$ 0.11を得た。
ドメイン内事前トレーニングでは、画像ネットの初期化(p = 0.031)が大幅に向上し、BPD結果予測に重要なドメイン固有の事前トレーニングが確認された。
AUROC 0.57 $\pm$ 0.11, 学習マーカーの必要性が確認された。
提案手法は, ドメイン固有の事前学習により, 日常的な1日目のX線写真から正確なBPD予測が可能であることを実証する。
漸進的な凍結と線形探索を通じて、サイトレベルの実装と将来の統合学習の展開に計算的に実現可能である。
関連論文リスト
- Accurate and Efficient Fetal Birth Weight Estimation from 3D Ultrasound [29.69889062049553]
胎児の出生体重(FBW)を直接推定する最初の方法を提案する。
提案手法は,MFFN(Multi-scale feature fusion network)とSSLF(Synthetic sample-based learning framework)を統合した。
実験の結果,平均絶対誤差は166.4pm155.9$$$g$,平均絶対誤差は5.1pm4.6$%であった。
論文 参考訳（メタデータ） (2025-07-01T03:26:02Z) - Deep Learning-Based BMD Estimation from Radiographs with Conformal Uncertainty Quantification [0.0]
本研究は,深層学習による骨密度推定に広く利用可能な膝X線を用いたことを提案する。
統計的に厳格で患者固有の予測間隔を提供し、カバー範囲が保証されている。
論文 参考訳（メタデータ） (2025-05-28T16:33:49Z) - Mortality Prediction of Pulmonary Embolism Patients with Deep Learning and XGBoost [0.5942186563711294]
肺塞栓症(PE)は死亡率と致命的な疾患の主要な原因である。
従来の臨床手法では, PE患者の30日間の院内死亡を予測できた。
論文 参考訳（メタデータ） (2024-11-27T05:15:55Z) - Advancing Newborn Care: Precise Birth Time Detection Using AI-Driven Thermal Imaging with Adaptive Normalization [1.101731711817642]
本稿では,人工知能(AI)とサーマルイメージングの融合について検討し,第1次AI駆動型バース検出器の開発について述べる。
まず,ガウス混合モデル(GMM)に基づく適応正規化手法を提案し,温度変動に関する問題を緩和する。
熱フレーム内での新生児の検出において、88.1%の精度と89.3%のリコールが報告されている。
論文 参考訳（メタデータ） (2024-10-14T13:20:51Z) - Position-Guided Prompt Learning for Anomaly Detection in Chest X-Rays [46.78926066405227]
胸部X線異常検出は重要な課題である。
近年,多数の医用画像に基づいて事前トレーニングされたCLIPベースの手法は,ゼロ/フェーショットダウンストリームタスクにおいて顕著な性能を示した。
凍結したCLIPモデルにタスクデータを適応させる位置誘導型プロンプト学習法を提案する。
論文 参考訳（メタデータ） (2024-05-20T12:11:41Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳（メタデータ） (2021-05-04T19:01:40Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳（メタデータ） (2021-01-13T07:03:17Z) - 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) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z)
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。