論文の概要: Domain Incremental Learning for Pandemic-Resilient Chest X-Ray Analysis

• arxiv url: http://arxiv.org/abs/2605.17729v1
• Date: Mon, 18 May 2026 01:16:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.502242
• Title: Domain Incremental Learning for Pandemic-Resilient Chest X-Ray Analysis
• Title（参考訳）: パンデミック耐性胸部X線分析のためのドメインインクリメンタル学習
• Authors: Danu Kim,
• Abstract要約: 本研究では,リプレイに基づくドメイン増分連続学習手法を提案する。 提案手法は,制約メモリ内でのバランスの取れたクラス表現を維持するために,クラス認識のバランスの取れたリプレイを組み込む。 ドメインシフトしたPneumoniaMNISTデータセットを用いて行った実験は、提案手法が平均精度88.66%を達成することを示した。
• 参考スコア（独自算出の注目度）: 0.29008108937701327
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning models achieved high accuracy in pneumonia detection from chest X-rays. However, their generalization across clinical domains remains limited due to variations in imaging devices, acquisition protocols, and institutional conditions. This study introduces a replay-based domain-incremental continual learning designed to enable continual adaptation to cross-domain variations without catastrophic forgetting. The proposed method incorporates a class-aware balanced replay to maintain balanced class representation within a constrained memory and a class-aware loss to dynamically reweight class imbalance during training. Experiments conducted on a domain-shifted PneumoniaMNIST dataset consisting of five simulated domains demonstrate that the proposed method achieves an average accuracy of 88.66%, outperforming Experience Replay, Fine-Tuning, and Joint Training baselines. These findings highlight the efficacy of the proposed approach in achieving robust and consistent pneumonia detection across clinical environment variations.
• Abstract（参考訳）: 深層学習モデルは胸部X線からの肺炎検出において高い精度を達成した。 しかし, 画像診断装置, 取得プロトコル, 施設条件の違いにより, 臨床領域における一般化は依然として限られている。 本研究では,破滅的な忘れを伴わずに,ドメイン間変化への連続的な適応を可能にするために,リプレイに基づくドメイン増分連続学習を提案する。 提案手法は,制約されたメモリ内でのバランスの取れたクラス表現を維持するために,クラス認識のバランスの取れたリプレイと,トレーニング中のクラス不均衡を動的に軽減するクラス認識の損失を組み込む。 5つの模擬ドメインからなるドメインシフトPneumoniaMNISTデータセットを用いて行った実験は、提案手法が平均精度88.66%、エクスペリエンス・リプレイ、ファインチューニング、ジョイントトレーニングのベースラインを上回っていることを示す。 これらの知見は, 臨床環境の変動に対して, 堅牢かつ一貫した肺炎検出を実現するためのアプローチの有効性を浮き彫りにした。

関連論文リスト

• A Data-Driven Approach to Support Clinical Renal Replacement Therapy [1.7666791716676549]
  本研究では,CRRT(Continuous Renal Replacement Therapy)を施行した重症患者の膜汚濁予測のためのデータ駆動機械学習手法について検討した。 ICUの時系列データを用いて,臨床選択した16種類の特徴を同定し,予測モデルを訓練した。 結果は異なる予測地平線にわたって頑健なままであった。
  論文  参考訳（メタデータ） (2026-02-26T11:47:22Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
  胸部X線撮影における長期肺腫瘍の診断は困難であった。 尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。 そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-24T06:14:55Z)
• Stable-Drift: A Patient-Aware Latent Drift Replay Method for Stabilizing Representations in Continual Learning [3.1965482926781843]
  ディープラーニングモデルが新しいデータで逐次トレーニングされる場合、前もって学習したタスクのパフォーマンスが突然低下する傾向があります。 本稿では,高表現不安定なサンプルを識別・再生する潜在ドリフト誘導リプレイ法を提案する。 本手法は, 直感的な微調整やランダムなリプレイに比べて, 忘れを著しく低減する。
  論文  参考訳（メタデータ） (2025-11-27T16:49:50Z)
• EndoCIL: A Class-Incremental Learning Framework for Endoscopic Image Classification [5.574295682041076]
  内視鏡画像解析のためのクラスインクリメンタルラーニング(CIL)は,臨床応用に不可欠である。 本稿では,内視鏡的画像診断に適した新しい統合型CILフレームワークであるEndoCILを提案する。
  論文  参考訳（メタデータ） (2025-10-20T06:26:54Z)
• From Detection to Mitigation: Addressing Bias in Deep Learning Models for Chest X-Ray Diagnosis [3.9236980712240217]
  胸部X線で診断を行う際に,性別,年齢,人種による格差を対象とする包括的バイアス検出・緩和フレームワークを提案する。 我々は,CNNの最終層をeXtreme Gradient Boosting分類器に置き換えることで,全体の予測性能を維持したり改善したりしながら,サブグループの公平性を向上させることを示す。 さらに,この軽量なアダプタトレーニング手法と,対角訓練,再重み付け,データ強化,アクティブラーニングなどの従来のフルモデル学習バイアス軽減手法を比較し,本手法が計算コストのごく一部で競争力あるいは優れたバイアス低減を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-12T22:20:08Z)
• Stethoscope-guided Supervised Contrastive Learning for Cross-domain Adaptation on Respiratory Sound Classification [1.690115983364313]
  本稿では、ソースドメインから異なるターゲットドメインに知識を転送するクロスドメイン適応手法を提案する。 特に、個々の領域として異なる聴診器タイプを考慮し、新しい聴診器誘導型教師付きコントラスト学習手法を提案する。 ICBHIデータセットの実験結果から,提案手法はドメイン依存性の低減とICBHIスコア61.71%の達成に有効であることが示された。
  論文  参考訳（メタデータ） (2023-12-15T08:34:31Z)
• Multi-Domain Balanced Sampling Improves Out-of-Distribution Generalization of Chest X-ray Pathology Prediction Models [67.2867506736665]
  そこで本研究では, 簡単なバッチサンプリング手法を用いた胸部X線像の分布外一般化法を提案する。 複数のトレーニングデータセット間のバランスの取れたサンプリングは、バランスを取らずにトレーニングされたベースラインモデルよりもパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2021-12-27T15:28:01Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。