論文の概要: Deep Active Learning for Lung Disease Severity Classification from Chest X-rays: Learning with Less Data in the Presence of Class Imbalance

• arxiv url: http://arxiv.org/abs/2508.21263v1
• Date: Thu, 28 Aug 2025 23:29:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.902231
• Title: Deep Active Learning for Lung Disease Severity Classification from Chest X-rays: Learning with Less Data in the Presence of Class Imbalance
• Title（参考訳）: 胸部X線による肺疾患重症度分類のための深部能動的学習 : クラス不均衡の有無による少ないデータによる学習
• Authors: Roy M. Gabriel, Mohammadreza Zandehshahvar, Marly van Assen, Nattakorn Kittisut, Kyle Peters, Carlo N. De Cecco, Ali Adibi,
• Abstract要約: 本研究は,2020年1月から11月にかけて,エモリー医療関連病院で963名の胸部X線検査を行った。 モンテカルロ・ドロップアウトを用いたディープニューラルネットワークは、能動的学習を用いて病気の重症度を分類して訓練された。 BNN近似と重み付き損失による深いアクティブラーニングは、ラベル付きデータ要求を効果的に削減する。
• 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: To reduce the amount of required labeled data for lung disease severity classification from chest X-rays (CXRs) under class imbalance, this study applied deep active learning with a Bayesian Neural Network (BNN) approximation and weighted loss function. This retrospective study collected 2,319 CXRs from 963 patients (mean age, 59.2 $\pm$ 16.6 years; 481 female) at Emory Healthcare affiliated hospitals between January and November 2020. All patients had clinically confirmed COVID-19. Each CXR was independently labeled by 3 to 6 board-certified radiologists as normal, moderate, or severe. A deep neural network with Monte Carlo Dropout was trained using active learning to classify disease severity. Various acquisition functions were used to iteratively select the most informative samples from an unlabeled pool. Performance was evaluated using accuracy, area under the receiver operating characteristic curve (AU ROC), and area under the precision-recall curve (AU PRC). Training time and acquisition time were recorded. Statistical analysis included descriptive metrics and performance comparisons across acquisition strategies. Entropy Sampling achieved 93.7% accuracy (AU ROC, 0.91) in binary classification (normal vs. diseased) using 15.4% of the training data. In the multi-class setting, Mean STD sampling achieved 70.3% accuracy (AU ROC, 0.86) using 23.1% of the labeled data. These methods outperformed more complex and computationally expensive acquisition functions and significantly reduced labeling needs. Deep active learning with BNN approximation and weighted loss effectively reduces labeled data requirements while addressing class imbalance, maintaining or exceeding diagnostic performance.
• Abstract（参考訳）: 胸部X線(CXR)からの肺疾患重症度分類に必要なラベル付きデータ量を削減するため,ベイズニューラルネットワーク(BNN)を用いた深部能動学習と重み付き損失関数を適用した。 この振り返り調査では、2020年1月から11月にかけてエモリー医療関連病院で933人の患者(平均年齢59.2ドル\pm$ 16.6歳、女性481人)から2319人のCXRを収集した。 すべての患者が新型コロナウイルスを臨床的に確認した。 各CXRは,正常,中等度,重症と診断された3～6名の放射線科医によって独立に分類された。 モンテカルロ・ドロップアウトを用いたディープニューラルネットワークは、能動的学習を用いて病気の重症度を分類して訓練された。 ラベルのないプールから最も情報性の高いサンプルを反復的に選択するために、様々な取得関数が使用された。 精度,受信機動作特性曲線(AU ROC)下面積,高精度リコール曲線(AU PRC)下面積を用いて評価した。 訓練時間と取得時間を記録した。 統計分析には、記述的メトリクスと、買収戦略間のパフォーマンス比較が含まれていた。 エントロピーサンプリングは、トレーニングデータの15.4%を使用して、バイナリ分類(正常対疾患)において93.7%の精度(AU ROC, 0.91)を達成した。 マルチクラス設定では、平均STDサンプリングはラベル付きデータの23.1%を使用して70.3%の精度(AU ROC, 0.86)を達成した。 これらの手法は、より複雑で計算コストの高い取得関数と、ラベル付けの必要性を著しく低減した。 BNN近似と重み付き損失による深いアクティブラーニングは、診断性能を維持したり維持したり超えたりしながら、ラベル付きデータ要求を効果的に低減する。

関連論文リスト

• Multi-Attention Stacked Ensemble for Lung Cancer Detection in CT Scans [3.8121150313479655]
  3つの事前訓練されたバックボーンは96 x 96ピクセルの入力に合わせたカスタム分類ヘッドで適合する。 2段階の注意機構は、ロジットからモデルワイドとクラスワイドの両方の重要点を学習する。 LIDC-IDRIデータセットの実験では、98.09の精度と0.9961 AUCを達成した。
  論文  参考訳（メタデータ） (2025-07-27T11:03:07Z)
• 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)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• CIRCA: comprehensible online system in support of chest X-rays-based COVID-19 diagnosis [37.41181188499616]
  深層学習技術は、新型コロナウイルスの迅速検出と疾患の進行のモニタリングに役立つ。 5つの異なるデータセットを使用して、モデルトレーニングのための23の799 CXRの代表的なデータセットを構築した。 The U-Net-based model was developed to identified a clinically relevant region of the CXR。
  論文  参考訳（メタデータ） (2022-10-11T13:30:34Z)
• Learning to diagnose common thorax diseases on chest radiographs from radiology reports in Vietnamese [0.33598755777055367]
  ベトナムの放射線学報告から情報を抽出し,胸部X線(CXR)画像の正確なラベルを提供するデータ収集・アノテーションパイプラインを提案する。 このことは、ベトナムの放射線学者や臨床医が、国によって異なる可能性のある内因性診断カテゴリと密接に一致したデータに注釈を付けることで、ベトナムの放射線技師や臨床医に利益をもたらす可能性がある。
  論文  参考訳（メタデータ） (2022-09-11T06:06:03Z)
• A Deep Learning Based Workflow for Detection of Lung Nodules With Chest Radiograph [0.0]
  CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。 これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
  論文  参考訳（メタデータ） (2021-12-19T16:19:46Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• 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。