論文の概要: External Benchmarking of Lung Ultrasound Models for Pneumothorax-Related Signs: A Manifest-Based Multi-Source Study
- arxiv url: http://arxiv.org/abs/2603.26832v1
- Date: Fri, 27 Mar 2026 05:11:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:44.652117
- Title: External Benchmarking of Lung Ultrasound Models for Pneumothorax-Related Signs: A Manifest-Based Multi-Source Study
- Title（参考訳）: 気胸関連徴候に対する肺エコーモデルの外部ベンチマーク : マニファストベースマルチソースによる検討
- Authors: Takehiro Ishikawa,
- Abstract要約: 公開されている190のLUSソースビデオから280のクリップをキュレートした。
ラベルは正常な肺スライディング、欠席した肺スライディング、肺点、肺パルスであった。
単サイトバイナリ分類器をこのベンチマークで評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Aims: Reproducible external benchmarks for pneumothorax-related lung ultrasound (LUS) AI are scarce, and binary lung-sliding classification may obscure clinically important signs. We therefore developed a manifest-based external benchmark and used it to test both cross-domain generalization and task validity. Methods: We curated 280 clips from 190 publicly accessible LUS source videos and released a reconstruction manifest containing URLs, timestamps, crop coordinates, labels, and probe shape. Labels were normal lung sliding, absent lung sliding, lung point, and lung pulse. A previously published single-site binary classifier was evaluated on this benchmark; challenge-state analysis examined lung point and lung pulse using the predicted probability of absent sliding, P(absent). Results: The single-site comparator achieved ROC-AUC 0.9625 in-domain but 0.7050 on the heterogeneous external benchmark; restricting external evaluation to linear clips still yielded ROC-AUC 0.7212. In challenge-state analysis, mean P(absent) ranked absent (0.504) > lung point (0.313) > normal (0.186) > lung pulse (0.143). Lung pulse differed from absent clips (p=0.000470) but not from normal clips (p=0.813), indicating that the binary model treated pulse as normal-like despite absent sliding. Lung point differed from both absent (p=0.000468) and normal (p=0.000026), supporting its interpretation as an intermediate ambiguity state rather than a clean binary class. Conclusion: A manifest-based, multi-source benchmark can support reproducible external evaluation without redistributing source videos. Binary lung-sliding classification is an incomplete proxy for pneumothorax reasoning because it obscures blind-spot and ambiguity states such as lung pulse and lung point.
- Abstract（参考訳）: 背景と課題:肺気胸関連肺超音波(LUS)AIの再現可能な外部ベンチマークは乏しく、二分肺スライディング分類は臨床的に重要な兆候を欠く可能性がある。
そこで我々は、マニフェストベースの外部ベンチマークを開発し、クロスドメインの一般化とタスク妥当性の両立をテストした。
方法: 公開されている190のLUSソースビデオから280のクリップをキュレートし,URL,タイムスタンプ,作物座標,ラベル,プローブ形状を含む再構成マニフェストを作成した。
ラベルは正常な肺スライディング、欠席した肺スライディング、肺点、肺パルスであった。
単サイトバイナリ分類器をこのベンチマークで評価し,不在すべりの予測確率P(absent)を用いて肺点と肺パルスを解析した。
結果: 単サイトコンパレータはROC-AUC 0.9625を内ドメインで達成したが、異種外部ベンチマークでは0.7050であり、リニアクリップに対する外部評価はROC-AUC 0.7212 に制限された。
課題状態分析では, P(absent) は欠失 (0.504) > 肺点 (0.313) > 正常 (0.186) > 肺パルス (0.143。
肺パルスは欠クリップ (p=0.000470) と異なるが, 正常クリップ (p=0.813) と異なり, 2次モデルは欠スライドにもかかわらず正常なパルスとして扱われた。
肺点は欠落 (p=0.000468) と正常 (p=0.000026) の両方と異なり、クリーンなバイナリクラスではなく中間曖昧な状態として解釈されている。
結論: マニフェストベースのマルチソースベンチマークは、ソースビデオを再配布することなく再現可能な外部評価をサポートすることができる。
2つの肺スライディング分類は、肺パルスや肺点のような盲点やあいまいな状態を曖昧にするため、気胸推論の不完全なプロキシである。
関連論文リスト
- Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - Deep learning automated quantification of lung disease in pulmonary
hypertension on CT pulmonary angiography: A preliminary clinical study with
external validation [0.0]
本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。
The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。
各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
論文 参考訳（メタデータ） (2023-03-20T14:06:32Z) - 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) - An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
論文 参考訳（メタデータ） (2023-02-19T23:47:02Z) - A novel unsupervised covid lung lesion segmentation based on the lung
tissue identification [0.0]
コビッド19のDL-CovidとDL-Normと呼ばれる2つのモデルと正常患者の2つのモデルが、肺組織同定のためのボクセル単位の確率マップを生成する。
コビッド病変を検出するために、コビッド患者のCT画像をDL-CovidモデルとDL-Normモデルで処理し、2つの肺確率マップを得る。
The probability map of the Covid infections could be generated through the subtraction of the two lung probability map obtained from the DL-Covid and DL-Norm model。
論文 参考訳（メタデータ） (2022-02-24T15:33:21Z) - Relationship between pulmonary nodule malignancy and surrounding
pleurae, airways and vessels: a quantitative study using the public LIDC-IDRI
dataset [11.86688201284011]
非造影CTによる結節周囲の胸膜,気道,血管は良性および悪性肺結節を鑑別することができる。
LIDC-IDRIデータセットは、最も広く公開されているCTデータベースの1つである。
論文 参考訳（メタデータ） (2021-06-24T13:05:51Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z) - Machine Learning Automatically Detects COVID-19 using Chest CTs in a
Large Multicenter Cohort [43.99203831722203]
16施設2096例の胸部CT検査を行った。
新型コロナウイルスの分類のためのメートル法に基づくアプローチは、解釈可能な特徴を使用した。
深層学習に基づく分類器は,CT減衰から抽出した3D特徴と空域不透明度の確率分布を区別した。
論文 参考訳（メタデータ） (2020-06-09T00:40:35Z) - 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) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。