論文の概要: Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset

• arxiv url: http://arxiv.org/abs/2508.15986v1
• Date: Thu, 21 Aug 2025 22:09:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.199415
• Title: Automated Multi-label Classification of Eleven Retinal Diseases: A Benchmark of Modern Architectures and a Meta-Ensemble on a Large Synthetic Dataset
• Title（参考訳）: 11個の網膜疾患のマルチラベル自動分類:現代建築のベンチマークと大規模合成データセットのメタアンサンブル
• Authors: Jerry Cao-Xue, Tien Comlekoglu, Keyi Xue, Guanliang Wang, Jiang Li, Gordon Laurie,
• Abstract要約: 我々は、11の網膜疾患を分類するエンドツーエンドのディープラーニングパイプラインを開発した。 合成データのみに訓練されたモデルは,複数の病態を正確に分類し,実際の臨床画像に効果的に一般化できることを示す。
• 参考スコア（独自算出の注目度）: 1.996975578218265
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development of multi-label deep learning models for retinal disease classification is often hindered by the scarcity of large, expertly annotated clinical datasets due to patient privacy concerns and high costs. The recent release of SynFundus-1M, a high-fidelity synthetic dataset with over one million fundus images, presents a novel opportunity to overcome these barriers. To establish a foundational performance benchmark for this new resource, we developed an end-to-end deep learning pipeline, training six modern architectures (ConvNeXtV2, SwinV2, ViT, ResNet, EfficientNetV2, and the RETFound foundation model) to classify eleven retinal diseases using a 5-fold multi-label stratified cross-validation strategy. We further developed a meta-ensemble model by stacking the out-of-fold predictions with an XGBoost classifier. Our final ensemble model achieved the highest performance on the internal validation set, with a macro-average Area Under the Receiver Operating Characteristic Curve (AUC) of 0.9973. Critically, the models demonstrated strong generalization to three diverse, real-world clinical datasets, achieving an AUC of 0.7972 on a combined DR dataset, an AUC of 0.9126 on the AIROGS glaucoma dataset and a macro-AUC of 0.8800 on the multi-label RFMiD dataset. This work provides a robust baseline for future research on large-scale synthetic datasets and establishes that models trained exclusively on synthetic data can accurately classify multiple pathologies and generalize effectively to real clinical images, offering a viable pathway to accelerate the development of comprehensive AI systems in ophthalmology.
• Abstract（参考訳）: 網膜疾患分類のための多ラベル深層学習モデルの開発は、患者プライバシの懸念と高いコストによる、大規模で専門的な注釈付き臨床データセットの不足によって、しばしば妨げられる。 最近のSynFundus-1Mのリリースは、100万画素以上の画像を持つ高忠実な合成データセットであり、これらの障壁を克服する新たな機会を提供する。 この新たなリソースの基盤的パフォーマンスベンチマークを確立するため,我々は,最新の6つのアーキテクチャ(ConvNeXtV2,SwinV2,ViT,ResNet,EfficientNetV2,RETFoundファンデーションモデル)をトレーニングして,5倍のマルチラベル層間検証戦略を用いて11の網膜疾患を分類する,エンドツーエンドのディープラーニングパイプラインを開発した。 さらに,XGBoost分類器を用いて,折りたたみ予測を積み重ねたメタアンサンブルモデルを開発した。 最終アンサンブルモデルでは, マクロ平均動作特性曲線(AUC)が0.9973で, 内部検証セットで最高性能を達成した。 批判的に、これらのモデルは3つの多様な実世界の臨床データセットに強力な一般化を示し、複合DRデータセットでのAUCは0.7972、AIROGS緑内障データセットでのAUCは0.9126、マルチラベルRFMiDデータセットでのマクロAUCは0.8800である。 この研究は、大規模な合成データセットの研究のための堅牢なベースラインを提供し、合成データに特化して訓練されたモデルが、複数の病理を正確に分類し、実際の臨床画像に効果的に一般化できることを確立し、眼科における包括的なAIシステムの開発を加速するための実行可能な経路を提供する。

関連論文リスト

• PySeizure: A single machine learning classifier framework to detect seizures in diverse datasets [0.0]
  我々は、様々な臨床データセット間で堅牢な発作検出を可能にする、革新的なオープンソースの機械学習フレームワークを導入する。 堅牢性を高めるため、このフレームワークは自動前処理パイプラインを組み込んで、データの標準化と過半数の投票機構を備えている。 データセット内のモデルをトレーニングし、チューニングし、評価し、データセット間の転送可能性を評価します。
  論文  参考訳（メタデータ） (2025-08-10T09:12:29Z)
• A Hybrid CNN-VSSM model for Multi-View, Multi-Task Mammography Analysis: Robust Diagnosis with Attention-Based Fusion [5.15423063632115]
  乳がんの早期かつ正確な検診は乳がん検出に不可欠である。 既存のAIアプローチは、単一ビューのインプットや単一タスクのアウトプットに注目して、不足している。 本研究では,4つの標準マンモグラフィビュー全てを処理する,新しいマルチビュー・マルチタスクハイブリッドディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:52:18Z)
• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Prototype-Guided Diffusion for Digital Pathology: Achieving Foundation Model Performance with Minimal Clinical Data [6.318463500874778]
  本研究では,高忠実度合成病理データを大規模に生成するプロトタイプ誘導拡散モデルを提案する。 我々のアプローチは、生成したデータの生物学的、診断学的に有意義な変動を保証します。 我々は、大規模な実世界のデータセットでトレーニングされたモデルよりも60倍-760倍少ないデータを使用しても、我々の合成データセットでトレーニングされた自己教師機能によって競争性能が向上することを示した。
  論文  参考訳（メタデータ） (2025-04-15T21:17:39Z)
• ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
  我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。 まず、ScaleMAIは25,362個のCTスキャンを作成した。 第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
  論文  参考訳（メタデータ） (2025-01-06T22:12:00Z)
• A multimodal ensemble approach for clear cell renal cell carcinoma treatment outcome prediction [6.199310532720352]
  臨床データ,マルチオミクスデータ,および病理組織学的全スライド画像(WSI)データを統合するマルチモーダルアンサンブルモデル(MMEM)を開発した。 MMEMはccRCC患者の全身生存率(OS)と無病生存率(DFS)を予測した。
  論文  参考訳（メタデータ） (2024-12-10T02:51:14Z)
• Dataset Distillation for Histopathology Image Classification [46.04496989951066]
  病理画像データセット(Histo-DD)に適した新しいデータセット蒸留アルゴリズムを提案する。 提案アルゴリズムの有効性を総合的に評価し, パッチレベルとスライドレベルの両方の分類タスクにおいて, 組織学的サンプルを生成する。
  論文  参考訳（メタデータ） (2024-08-19T05:53:38Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。