論文の概要: Enhanced Chest Disease Classification Using an Improved CheXNet Framework with EfficientNetV2-M and Optimization-Driven Learning
- arxiv url: http://arxiv.org/abs/2512.08992v1
- Date: Mon, 08 Dec 2025 05:02:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.255224
- Title: Enhanced Chest Disease Classification Using an Improved CheXNet Framework with EfficientNetV2-M and Optimization-Driven Learning
- Title（参考訳）: 効率的なNetV2-Mと最適化駆動学習を用いた改良型CheXNetフレームワークによる胸部疾患の分類
- Authors: Ali M. Bahram, Saman Muhammad Omer, Hardi M. Mohammed, Sirwan Abdolwahed Aula,
- Abstract要約: オリジナルのCheXNetアーキテクチャは胸部X線写真の自動解析の可能性を示唆している。
より効率的なNetV2-Mによる胸部疾患の分類法を提案する。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The interpretation of Chest X-ray is an important diagnostic issue in clinical practice and especially in the resource-limited setting where the shortage of radiologists plays a role in delayed diagnosis and poor patient outcomes. Although the original CheXNet architecture has shown potential in automated analysis of chest radiographs, DenseNet-121 backbone is computationally inefficient and poorly single-label classifier. To eliminate such shortcomings, we suggest a better classification framework of chest disease that relies on EfficientNetV2-M and incorporates superior training approaches such as Automatic Mixed Precision training, AdamW, Cosine Annealing learning rate scheduling, and Exponential Moving Average regularization. We prepared a dataset of 18,080 chest X-ray images of three source materials of high authority and representing five key clinically significant disease categories which included Cardiomegaly, COVID-19, Normal, Pneumonia, and Tuberculosis. To achieve statistical reliability and reproducibility, nine independent experimental runs were run. The suggested architecture showed significant gains with mean test accuracy of 96.45 percent compared to 95.30 percent at baseline (p less than 0.001) and macro-averaged F1-score increased to 91.08 percent (p less than 0.001). Critical infectious diseases showed near-perfect classification performance with COVID-19 detection having 99.95 percent accuracy and Tuberculosis detection having 99.97 percent accuracy. Although 6.8 times more parameters are included, the training time was reduced by 11.4 percent and performance stability was increased by 22.7 percent. This framework presents itself as a decision-support tool that can be used to respond to a pandemic, screen tuberculosis, and assess thoracic disease regularly in various healthcare facilities.
- Abstract（参考訳）: 胸部X線像の解釈は臨床における重要な診断問題であり,特に放射線科医の不足が診断の遅れや患者の予後不良に寄与する資源制限条件において重要である。
オリジナルのCheXNetアーキテクチャは胸部X線写真の自動解析の可能性を秘めているが、DenseNet-121のバックボーンは計算的に非効率でシングルラベル分類が不十分である。
このような欠点をなくすため,EfficientNetV2-Mに頼り,AdamW,Cosine Annealing学習率スケジューリング,Exponential moving Average regularizationなどの優れたトレーニングアプローチを取り入れた胸部疾患の分類フレームワークを提案する。
胸部X線画像18,080枚を高能率で撮影し,心臓病,COVID-19,正常,肺炎,結核の5つの重要な臨床疾患カテゴリを検索した。
統計的信頼性と再現性を達成するため、9つの独立した実験走行が行われた。
提案されたアーキテクチャでは、平均テスト精度が96.45パーセント、ベースラインで95.30%(p0.001未満)、マクロ平均F1スコアが91.08%(p0.001未満)と大幅に向上した。
重篤な感染症では、新型コロナウイルス検出が99.95%、結核検出が99.97パーセントとほぼ完全な分類性能を示した。
6.8倍のパラメータが含まれているが、トレーニング時間は11.4パーセント削減され、パフォーマンスの安定性は22.7%向上した。
この枠組みは、パンデミックに反応し、結核をスクリーニングし、様々な医療施設で定期的に胸部疾患を評価するのに使用できる意思決定支援ツールとして自らを提示する。
関連論文リスト
- An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Optimizing Mortality Prediction for ICU Heart Failure Patients: Leveraging XGBoost and Advanced Machine Learning with the MIMIC-III Database [1.5186937600119894]
心臓不全は世界中の何百万人もの人々に影響を与え、生活の質を著しく低下させ、高い死亡率をもたらす。
広範な研究にもかかわらず、ICU患者の心不全と死亡率の関係は、完全には理解されていない。
本研究は、ICD-9コードを用いて、MIMIC-IIIデータベースから18歳以上の1,177人のデータを解析した。
論文 参考訳（メタデータ） (2024-09-03T07:57:08Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳（メタデータ） (2023-10-09T18:38:49Z) - Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。
この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
論文 参考訳（メタデータ） (2021-05-14T11:59:47Z) - Probabilistic combination of eigenlungs-based classifiers for COVID-19
diagnosis in chest CT images [6.1020196190084555]
新型コロナウイルスの感染者数は1億人以上で、2400万人以上が死亡している。
胸部X線(CXR)や胸部CT(CCT)などの医療画像の使用は、優れたソリューションであることが証明されています。
肺炎パターンを同定するために,確率的支援ベクトルマシン(SVM)に基づくアンサンブル分類器を提案する。
論文 参考訳（メタデータ） (2021-03-04T11:30:38Z) - Deep Learning Methods for Screening Pulmonary Tuberculosis Using Chest
X-rays [0.974672460306765]
提案したディープラーニングパイプラインは,肺X線の生成,分画,分類を行う,最先端の3つのアーキテクチャの異なる状態で構成されている。
分類精度は97.1% (Youden's index-0.941, Sensitivity of 97.9%, specificity of 96.2%) となり,既存の文献と比較してかなり改善された。
論文 参考訳（メタデータ） (2020-12-25T14:21:35Z) - 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) - Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community
Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。
特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。
我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文 参考訳（メタデータ） (2020-05-06T09:56:51Z) - JCS: An Explainable COVID-19 Diagnosis System by Joint Classification
and Segmentation [95.57532063232198]
新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。
感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。
本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
論文 参考訳（メタデータ） (2020-04-15T12:30:40Z)
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。