論文の概要: Clinical Expert Uncertainty Guided Generalized Label Smoothing for Medical Noisy Label Learning

• arxiv url: http://arxiv.org/abs/2508.02495v2
• Date: Tue, 05 Aug 2025 04:58:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 13:15:14.153167
• Title: Clinical Expert Uncertainty Guided Generalized Label Smoothing for Medical Noisy Label Learning
• Title（参考訳）: 医用雑音ラベル学習における一般ラベル平滑化に関する臨床的不確実性の検討
• Authors: Kunyu Zhang, Lin Gu, Liangchen Liu, Yingke Chen, Binyang Wang, Jin Yan, Yingying Zhu,
• Abstract要約: 従来,臨床ノートから画像ラベルを抽出し,大規模医用画像データセットを低コストで作成する手法が提案されてきた。 これらのアプローチは本質的に,臨床専門家の不確実性によるラベルノイズに悩まされている。 本稿では,臨床専門家による不確実性評価ベンチマークとラベル平滑化手法を提案する。
• 参考スコア（独自算出の注目度）: 11.498569225914258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many previous studies have proposed extracting image labels from clinical notes to create large-scale medical image datasets at a low cost. However, these approaches inherently suffer from label noise due to uncertainty from the clinical experts. When radiologists and physicians analyze medical images to make diagnoses, they often include uncertainty-aware notes such as ``maybe'' or ``not excluded''. Unfortunately, current text-mining methods overlook these nuances, resulting in the creation of noisy labels. Existing methods for handling noisy labels in medical image analysis, which typically address the problem through post-processing techniques, have largely ignored the important issue of expert-driven uncertainty contributing to label noise. To better incorporate the expert-written uncertainty in clinical notes into medical image analysis and address the label noise issue, we first examine the impact of clinical expert uncertainty on label noise. We then propose a clinical expert uncertainty-aware benchmark, along with a label smoothing method, which significantly improves performance compared to current state-of-the-art approaches.
• Abstract（参考訳）: 臨床ノートから画像ラベルを抽出し,大規模医用画像データセットを低コストで作成する方法が提案されている。 しかし,これらのアプローチは,臨床専門家の不確実性によるラベルノイズに本質的に悩まされている。 放射線医や医師が医療画像を分析して診断を行うと、「マヤベ」や「除外しない」といった不確実性に注意するメモがしばしば含まれる。 残念なことに、現在のテキストマイニングメソッドはこれらのニュアンスを無視し、ノイズの多いラベルを作成する。 医用画像解析におけるノイズの多いラベルを扱う既存の手法は、一般的に後処理技術によってこの問題に対処するが、ラベルノイズに寄与する専門家主導の不確実性という重要な問題をほとんど無視している。 医用画像解析に専門家が書いた不確実性をよりよく取り入れ,ラベルノイズ問題に対処するために,まず,臨床専門家の不確実性がラベルノイズに与える影響について検討する。 次に,臨床専門家が認識する不確実性評価ベンチマークとラベルの平滑化手法を提案する。

関連論文リスト

• Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
  プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。 疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
  論文  参考訳（メタデータ） (2024-11-25T13:40:11Z)
• Uncertainty-aware Medical Diagnostic Phrase Identification and Grounding [72.18719355481052]
  MRG(Messical Report Grounding)と呼ばれる新しい課題について紹介する。 MRGは医療報告から診断フレーズとその対応する接地箱を直接エンドツーエンドで識別することを目的としている。 マルチモーダルな大規模言語モデルを用いて診断フレーズを予測する,堅牢で信頼性の高いフレームワークである uMedGround を提案する。
  論文  参考訳（メタデータ） (2024-04-10T07:41:35Z)
• Deep learning with noisy labels in medical prediction problems: a scoping review [14.279891046240387]
  本研究の目的は,深層学習に基づく医療予測問題における騒音管理のラベル付けを包括的に検討することである。 2016年から2023年の間に、合計60の論文が包括的基準を満たした。 医療研究の標準要素としてラベルノイズを検討することを推奨する。
  論文  参考訳（メタデータ） (2024-03-19T19:24:00Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Pathological Image Segmentation with Noisy Labels [13.8002043402326]
  本稿では,各画素の異なる専門家のラベルの信頼性を考慮した新しいラベル再重み付けフレームワークを提案する。 我々はまた、モデルの重要領域への注力を促すために、事前知識として粗さを生かした新しい注目ヒートマップも考案した。
  論文  参考訳（メタデータ） (2021-03-20T03:36:06Z)
• 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)
• Collaborative Unsupervised Domain Adaptation for Medical Image Diagnosis [102.40869566439514]
  我々は、Unsupervised Domain Adaptation (UDA)を通じて、対象タスクにおける学習を支援するために、関連ドメインからの豊富なラベル付きデータを活用しようとしている。 クリーンなラベル付きデータやサンプルを仮定するほとんどのUDAメソッドが等しく転送可能であるのとは異なり、協調的教師なしドメイン適応アルゴリズムを革新的に提案する。 提案手法の一般化性能を理論的に解析し,医用画像と一般画像の両方で実験的に評価する。
  論文  参考訳（メタデータ） (2020-07-05T11:49:17Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Unsupervised Anomaly Detection for X-Ray Images [4.353258086186526]
  本研究では,手指X線画像の評価において,異常のない画像で訓練された教師なしの方法を用いて,医師を支援する方法について検討する。 我々は、教師なし学習に最先端のアプローチを採用し、異常を検出し、これらの手法の出力がどのように説明できるかを示す。 実世界のX線画像のデータセット上で,ラベルがなくても満足な結果が得られることを実証的に示す。
  論文  参考訳（メタデータ） (2020-01-29T15:14:56Z)

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。