Fugu-MT 論文翻訳(概要): Overview of the CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification

論文の概要: Overview of the CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification

arxiv url: http://arxiv.org/abs/2602.22092v1
Date: Wed, 25 Feb 2026 16:39:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-26 18:19:16.91364
Title: Overview of the CXR-LT 2026 Challenge: Multi-Center Long-Tailed and Zero Shot Chest X-ray Classification
Title（参考訳）: CXR-LT 2026チャレンジの概要
Authors: Hexin Dong, Yi Lin, Pengyu Zhou, Fengnian Zhao, Alan Clint Legasto, Mingquan Lin, Hao Chen, Yuzhe Yang, George Shih, Yifan Peng,
Abstract要約: 我々は,CXR-LT 2026チャレンジを提示する。このベンチマークの第3回では、PadChestとNIH Chest X線データセットから145,000以上のイメージで構成されるマルチセンターデータセットが導入されている。課題は,(1)既知の30のクラスに対するロバストなマルチラベル分類,(2)未発見の6つのレアな病気クラスへのオープンワールド一般化,の2つの中核課題を定義する。トップパフォーマンスチームの結果を報告し、平均的平均精度(mAP)、AUROC、F1スコアで評価する。
参考スコア（独自算出の注目度）: 14.263392973355666
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Chest X-ray (CXR) interpretation is hindered by the long-tailed distribution of pathologies and the open-world nature of clinical environments. Existing benchmarks often rely on closed-set classes from single institutions, failing to capture the prevalence of rare diseases or the appearance of novel findings. To address this, we present the CXR-LT 2026 challenge. This third iteration of the benchmark introduces a multi-center dataset comprising over 145,000 images from PadChest and NIH Chest X-ray datasets. The challenge defines two core tasks: (1) Robust Multi-Label Classification on 30 known classes and (2) Open-World Generalization to 6 unseen (out-of-distribution) rare disease classes. We report the results of the top-performing teams, evaluating them via mean Average Precision (mAP), AUROC, and F1-score. The winning solutions achieved an mAP of 0.5854 on Task 1 and 0.4315 on Task 2, demonstrating that large-scale vision-language pre-training significantly mitigates the performance drop typically associated with zero-shot diagnosis.
Abstract（参考訳）: 胸部X線(CXR)の解釈は、病理の長い尾の分布と臨床環境のオープンワールドの性質によって妨げられる。既存のベンチマークは、しばしば単一の機関からのクローズド・セット・クラスに依存しており、稀な疾患の流行や新しい発見の出現を捉えていない。そこで本研究では,CXR-LT 2026の課題について述べる。このベンチマークの第3回では、PadChestとNIH Chest X線データセットから145,000以上のイメージで構成されるマルチセンターデータセットが導入されている。課題は,(1)既知の30のクラスに対するロバストなマルチラベル分類,(2)未発見の6つのレアな病気クラスへのオープンワールド一般化,の2つの中核課題を定義する。トップパフォーマンスチームの結果を報告し、平均的平均精度(mAP)、AUROC、F1スコアで評価する。勝利した解は、タスク1では0.5854、タスク2では0.4315のmAPを達成した。

関連論文リスト

Handling Supervision Scarcity in Chest X-ray Classification: Long-Tailed and Zero-Shot Learning [14.888577410967129]
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。
論文参考訳（メタデータ） (2026-02-13T20:07:34Z)
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)
CXR-LT 2024: A MICCAI challenge on long-tailed, multi-label, and zero-shot disease classification from chest X-ray [64.2434525370243]
CXR-LTシリーズは、胸部X線を用いた肺疾患の分類を強化するために設計されたコミュニティ主導のイニシアチブである。 CXR-LT 2024はデータセットを377,110の胸部X線(CXR)と45の疾患ラベルに拡張し、19の新しい稀な疾患の発見を含んでいる。本稿では、CXR-LT 2024の概要を述べるとともに、データキュレーションプロセスの詳細と最先端ソリューションの統合について述べる。
論文参考訳（メタデータ） (2025-06-09T17:53:31Z)
Reproducing and Improving CheXNet: Deep Learning for Chest X-ray Disease Classification [0.24578723416255752]
公開されているNIH ChestX-ray14データセットでは、CheXNetと呼ばれるアルゴリズムを再現し、CheXNetのベースラインメトリックを上回る他のアルゴリズムを探索しました。最良のモデルは平均AUC-ROCスコアが0.85、F1スコアが0.39である。
論文参考訳（メタデータ） (2025-05-10T13:52:00Z)
Bag of Tricks for Long-Tailed Multi-Label Classification on Chest X-Rays [40.11576642444264]
本報告では,ICCV CVAMD 2023 CXR-LT コンペティションにおけるソリューションの概要について述べる。我々は,CXR診断の有効性を,いくつかの先進的な設計を統合することで実証的に検討した。私たちのフレームワークは最終的に、競争テストセットで0.349 mAPを獲得し、トップ5にランクインしました。
論文参考訳（メタデータ） (2023-08-17T08:25:55Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
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)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文参考訳（メタデータ） (2020-06-06T06:48:40Z)
Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease Dependencies and Uncertainty Labels [0.33598755777055367]
本稿では,14の一般的な胸部疾患の存在と観察を診断するための,深部畳み込みニューラルネットワーク(CNN)に基づく枠組みを提案する。提案手法はCheXpertコンペティションのinde-pendentテストセット上でも評価され, 経験者5名によるアパネルでアノテートされた500個のCXR研究が含まれている。
論文参考訳（メタデータ） (2020-05-25T11:07:53Z)

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。