論文の概要: Handling Supervision Scarcity in Chest X-ray Classification: Long-Tailed and Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2602.13430v1
• Date: Fri, 13 Feb 2026 20:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.030435
• Title: Handling Supervision Scarcity in Chest X-ray Classification: Long-Tailed and Zero-Shot Learning
• Title（参考訳）: 胸部X線分類におけるスーパービジョンの扱い--長期学習とゼロショット学習
• Authors: Ha-Hieu Pham, Hai-Dang Nguyen, Thanh-Huy Nguyen, Min Xu, Ulas Bagci, Trung-Nghia Le, Huy-Hieu Pham,
• Abstract要約: CXR-LT 2026は、36クラスのラベル空間を持つPadChestベースのベンチマークの問題に対処し、トレーニング用のインディストリビューションクラス30とゼロショット評価のためのアウト・オブ・ディストリビューションクラス6に分割した。 我々は、個別の監督体制に合わせたタスク固有のソリューションを提案する。 タスク1(長い尾の多ラベル分類)では、頻繁な結果に対して安定した性能を維持しつつ、テールクラスの認識を改善するために、バランスの取れない多ラベル学習戦略を採用する。 タスク2(ゼロショットOOD認識)では,教師付きラベルを使わずに未知の疾患カテゴリのスコアを生成する予測手法を提案する。
• 参考スコア（独自算出の注目度）: 14.888577410967129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chest X-ray (CXR) classification in clinical practice is often limited by imperfect supervision, arising from (i) extreme long-tailed multi-label disease distributions and (ii) missing annotations for rare or previously unseen findings. The CXR-LT 2026 challenge addresses these issues on a PadChest-based benchmark with a 36-class label space split into 30 in-distribution classes for training and 6 out-of-distribution (OOD) classes for zero-shot evaluation. We present task-specific solutions tailored to the distinct supervision regimes. For Task 1 (long-tailed multi-label classification), we adopt an imbalance-aware multi-label learning strategy to improve recognition of tail classes while maintaining stable performance on frequent findings. For Task 2 (zero-shot OOD recognition), we propose a prediction approach that produces scores for unseen disease categories without using any supervised labels or examples from the OOD classes during training. Evaluated with macro-averaged mean Average Precision (mAP), our method achieves strong performance on both tasks, ranking first on the public leaderboard of the development phase. Code and pre-trained models are available at https://github.com/hieuphamha19/CXR_LT.
• Abstract（参考訳）: クリニカルプラクティスにおける胸部X線分類(CXR)は、不完全な監督によってしばしば制限される 一 極端に長い尾を持つ多ラベル病の分布及び分布 (II)稀な、または以前には見られなかった発見のための注釈の欠如。 CXR-LT 2026はPadChestベースのベンチマークでこれらの問題に対処し、36クラスのラベル空間をトレーニング用の30の配布クラスとゼロショット評価のための6のアウト・オブ・ディストリビューション(OOD)クラスに分割した。 我々は、個別の監督体制に合わせたタスク固有のソリューションを提案する。 タスク1(長い尾の多ラベル分類)では、頻繁な結果に対して安定した性能を維持しつつ、テールクラスの認識を改善するために、バランスの取れない多ラベル学習戦略を採用する。 タスク2(ゼロショットOOD認識)では、トレーニング中にOODクラスから教師付きラベルやサンプルを使わずに、未知の疾患カテゴリのスコアを生成できる予測手法を提案する。 マクロ平均平均精度 (mAP) を用いて評価し, 両タスクにおいて高い性能を達成し, 開発段階の公衆のリーダーボードにランクインする。 コードと事前訓練されたモデルはhttps://github.com/hieuphamha19/CXR_LT.comで入手できる。

関連論文リスト

• Cough Classification using Few-Shot Learning [0.7136933021609079]
  我々は,限定ラベル付きデータの課題に対処するために,有声音のスペクトル表現を用いたプロトタイプネットワークを利用する。 本研究は,従来の深層学習手法に匹敵する性能をモデルで実現できるかを評価する。 実験結果から,数発の学習モデルが競合精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2025-09-11T14:56:47Z)
• CXR-CML: Improved zero-shot classification of long-tailed multi-label diseases in Chest X-Rays [3.196204482566275]
  臨床所見の分布におけるクラス不均衡は,自己教師型ディープラーニングモデルにおいて重要な課題である。 本稿では,潜在空間内のクラス分布と直接整合するクラス重み付け機構を提案する。 提案手法では,MIMIC-CXR-JPGデータセットの40クラスで0ショットAUCスコアが7%向上した。
  論文  参考訳（メタデータ） (2025-07-25T16:05:47Z)
• Looking Beyond What You See: An Empirical Analysis on Subgroup Intersectional Fairness for Multi-label Chest X-ray Classification Using Social Determinants of Racial Health Inequities [4.351859373879489]
  ディープラーニングモデルにおける継承バイアスは、保護されたグループ間での予測精度の相違につながる可能性がある。 本稿では,正確な診断結果を達成し,交差点群間の公平性を確保するための枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-27T02:13:20Z)
• SLCA: Slow Learner with Classifier Alignment for Continual Learning on a Pre-trained Model [73.80068155830708]
  予備学習モデル(CLPM)を用いた連続学習のための広範囲な解析法を提案する。 Slow Learner with Alignment (SLCA) というシンプルなアプローチを提案する。 さまざまなシナリオにおいて、私たちの提案はCLPMの大幅な改善を提供します。
  論文  参考訳（メタデータ） (2023-03-09T08:57:01Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Partial and Asymmetric Contrastive Learning for Out-of-Distribution Detection in Long-Tailed Recognition [80.07843757970923]
  既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。 本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。 我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
  論文  参考訳（メタデータ） (2022-07-04T01:53:07Z)
• Exploring Classification Equilibrium in Long-Tailed Object Detection [29.069986049436157]
  そこで本研究では,各カテゴリの平均分類スコアを用いて,各カテゴリの分類精度を示す。 EBL (Equilibrium Loss) と Memory-augmented Feature Smpling (MFS) 法による分類のバランスをとる。 尾クラスの検出性能を15.6 APで改善し、最新の長い尾を持つ物体検出器を1 AP以上で上回っている。
  論文  参考訳（メタデータ） (2021-08-17T08:39:04Z)

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。