論文の概要: Self-Supervised Learning for Knee Osteoarthritis: Diagnostic Limitations and Prognostic Value of Hospital Data
- arxiv url: http://arxiv.org/abs/2603.24903v2
- Date: Fri, 27 Mar 2026 22:10:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 13:48:18.814969
- Title: Self-Supervised Learning for Knee Osteoarthritis: Diagnostic Limitations and Prognostic Value of Hospital Data
- Title（参考訳）: 変形性膝関節症に対する自覚的学習 : 診断限界と病院データの予後
- Authors: Haresh Rengaraj Rajamohan, Yuxuan Chen, Kyunghyun Cho, Cem M. Deniz,
- Abstract要約: 自己教師あり学習(SSL)は、診断と予後のための膝関節症(OA)モデルを改善する。
我々は,OAI,MOST,NYUコーホーツの膝X線写真で事前訓練された画像のみSSLと,(ii)病院膝X線写真で事前訓練されたマルチモーダル画像テキストSSLと,放射線学的印象との組み合わせを比較した。
Kellgren-Lawrence (KL)グレードの診断では、SSLは混合結果を得た。
- 参考スコア（独自算出の注目度）: 44.60673645733936
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This study assesses whether self-supervised learning (SSL) improves knee osteoarthritis (OA) modeling for diagnosis and prognosis relative to ImageNet-pretrained initialization. We compared (i) image-only SSL pretrained on knee radiographs from the OAI, MOST, and NYU cohorts, and (ii) multimodal image-text SSL pretrained on hospital knee radiographs paired with radiologist impressions. For diagnostic Kellgren-Lawrence (KL) grade prediction, SSL yielded mixed results. While image-only SSL improved accuracy during linear probing (frozen encoder), it did not outperform ImageNet pretraining during full fine-tuning. Similarly, multimodal SSL failed to improve grading performance. A likely explanation is mismatch between the hospital pretraining corpus and the downstream diagnostic task: the hospital image-text dataset was restricted to knees from patients with clinically identified OA in routine care, rather than a cohort spanning the full spectrum from normal to severe disease needed for balanced KL grading. In addition, radiology impressions do not explicitly encode KL grade, limiting supervision for learning KL-specific decision boundaries. In contrast, this same multimodal initialization significantly improved prognostic modeling. It outperformed ImageNet baselines in predicting 4-year structural incidence and progression, including on external validation (MOST AUROC: 0.701 vs. 0.599 at 10\% labeled data). Overall, these results suggest that our hospital image-text data may be less effective for diagnostic grading when the pretraining cohort is limited to OA knees, but can provide a strong signal for prognostic modeling when the downstream task is better aligned with the pretraining data distribution.
- Abstract（参考訳）: 本研究では, 自己教師あり学習(SSL)による膝関節症(OA)モデルの改善効果について検討した。
比較
(i)OAI、MOST、NYUコホートからの膝X線写真に予め訓練された画像のみSSL
病院膝X線写真におけるマルチモーダル画像テキストSSLと放射線学的印象とを併用した。
Kellgren-Lawrence (KL)グレードの診断では、SSLは混合結果を得た。
イメージのみのSSLは線形探索(凍結エンコーダ)の精度を向上したが、フル微調整中はImageNetの事前トレーニングを上回らなかった。
同様に、マルチモーダルSSLはグレーディング性能を向上できなかった。
病院画像テキストデータセットは、正常なKLグレーディングに必要な正常な疾患から重篤な疾患までの全スペクトルにまたがるコホートではなく、日常治療で臨床的に同定されたOA患者の膝に限られていた。
さらに、放射線学的な印象はKLグレードを明示的にエンコードせず、KL固有の決定境界を学習するための監督を制限している。
対照的に、同じマルチモーダル初期化は予後モデリングを著しく改善した。
外部検証(MOST AUROC: 0.701 vs. 0.599 at 10\% ラベル付きデータ)を含む4年間の構造上のインシデントと進行を予測することで、ImageNetのベースラインを上回った。
以上の結果より, プレトレーニングコホートをOA膝に限定した場合は, 画像テキストデータの診断精度が低下する可能性が示唆された。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Enhancing Network Initialization for Medical AI Models Using
Large-Scale, Unlabeled Natural Images [1.883452979588382]
自己教師付き学習(SSL)は胸部X線写真に適用して、堅牢な特徴を学習することができる。
我々は6つの大規模なグローバルデータセットから800,000個の胸部X線写真を用いてアプローチを検証した。
論文 参考訳（メタデータ） (2023-08-15T10:37:13Z) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z)
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。