論文の概要: On-Device Continual Learning with Dual-Stage Buffer and Dynamic Loss for Point-of-Care Pneumonia Diagnosis
- arxiv url: http://arxiv.org/abs/2605.19201v1
- Date: Tue, 19 May 2026 00:00:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:09.033406
- Title: On-Device Continual Learning with Dual-Stage Buffer and Dynamic Loss for Point-of-Care Pneumonia Diagnosis
- Title（参考訳）: ポイント・オブ・ケア肺炎診断における2段階バッファと動的損失を用いたオンデバイス連続学習
- Authors: Danu Kim,
- Abstract要約: ポイント・オブ・ケア型肺炎診断のためのドメインインクリメンタルラーニング手法であるPneumoNetを提案する。
PneumoNetは86.6%の精度を実現し、1.4%は忘れるが、既存のベースラインよりも小さく高速である。
- 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 detect pneumonia from chest X-rays with high accuracy, but the performance declines under domain shifts caused by differences in devices, patients, or institutions. We present PneumoNet, a domain-incremental learning method for point-of-care pneumonia diagnosis in resource-limited settings. PneumoNet combines a lightweight CNN for on-device prediction, a dual-stage balanced buffer for class-balanced replay, and a dynamic class-weighted loss to correct training-batch imbalances. Evaluated on a domain-shifted PneumoniaMNIST dataset simulating five realistic domain change scenarios, PneumoNet achieves 86.6% accuracy with 1.4% forgetting while being smaller and faster than existing baselines. These results highlight PneumoNet's potential to enable adaptive, privacy-preserving diagnostic AI directly on point-of-care medical devices in real-world and pandemic-ready healthcare.
- Abstract（参考訳）: ディープラーニングモデルは、胸部X線から肺炎を高精度に検出するが、デバイス、患者、施設の違いによるドメインシフトによってパフォーマンスが低下する。
PneumoNetは,資源制限条件下でのポイント・オブ・ケア肺炎診断のためのドメインインクリメンタル・ラーニング手法である。
PneumoNetは、オンデバイス予測のための軽量CNN、クラスバランスのリプレイのためのデュアルステージバランス付きバッファ、トレーニングバッチの不均衡を修正するための動的クラス重み付き損失を組み合わせている。
ドメインシフトしたPneumoniaMNISTデータセットに基づいて、5つの現実的なドメイン変更シナリオをシミュレートし、PneumoNetは86.6%の精度を達成し、既存のベースラインよりも小さく高速な1.4%を忘れている。
これらの結果は、現実世界およびパンデミック対応の医療機器で、適応的でプライバシ保護の診断AIを直接利用可能にするPneumoNetの可能性を浮き彫りにしている。
関連論文リスト
- Domain Incremental Learning for Pandemic-Resilient Chest X-Ray Analysis [0.29008108937701327]
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。
論文 参考訳（メタデータ） (2026-05-18T01:16:48Z) - LightPneumoNet: Lightweight Pneumonia Classifier [0.0]
この研究では、スクラッチから構築された効率的で軽量な畳み込みニューラルネットワーク(CNN)であるLightPneumoNetを紹介した。
胸部X線画像5,856枚を用いて実験を行った。
独立テストセットでは,本モデルが優れた性能を示し,総合精度0.942,精度0.92,F1スコア0.96を実現した。
論文 参考訳（メタデータ） (2025-10-13T10:14:17Z) - Diagnosis of Patients with Viral, Bacterial, and Non-Pneumonia Based on Chest X-Ray Images Using Convolutional Neural Networks [43.175400789778635]
肺炎を伴わない患者とウイルス性又は細菌性肺炎の患者に分類するための意思決定支援システムを提案する。
これは、胸部X線(CXR)画像上で、事前訓練された畳み込みニューラルネットワーク(CNN)モデルを用いて転送学習(TL)を実装することで実現される。
肺炎のない患者と、ウイルス性または細菌性肺炎の患者を区別できるモデルを構築するために、一連の実験のパフォーマンスを評価した。
論文 参考訳（メタデータ） (2025-03-03T16:17:37Z) - Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment [45.104212062055424]
本研究の目的は、在宅呼吸器疾患のモニタリングと評価を容易にする機械学習ベースのアルゴリズムを開発することである。
健常成人30名を対象に, 呼吸圧, 血流, 胸腹部周囲の動的計測を行った。
ランダムフォレスト分類器、ロジスティック回帰、サポートベクターマシン(SVM)など、さまざまな機械学習モデルをトレーニングし、呼吸タイプを予測する。
論文 参考訳（メタデータ） (2024-09-05T02:14:31Z) - Efficient and Accurate Pneumonia Detection Using a Novel Multi-Scale Transformer Approach [0.7183613290627339]
肺炎検出のための新しいマルチスケールトランスフォーマー手法を提案する。
本手法は肺の分節と分類を統一的な枠組みに統合する。
我々の手法は、"Kermany"データセットで93.75%の精度、"Cohen"データセットで96.04%の精度を実現している。
論文 参考訳（メタデータ） (2024-08-08T08:06:42Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳（メタデータ） (2024-07-10T19:17:23Z) - Differentiable Topology-Preserved Distance Transform for Pulmonary
Airway Segmentation [34.22415353209505]
気道セグメンテーションの性能を向上させるために, 位相保存距離変換(DTPDT)フレームワークを提案する。
The Topology-Preserved Surrogate (TPS) learning strategy was first proposed to balance the training progress within-class distribution。
The Convolutional Distance Transform (CDT) is designed to identify the breakage phenomenon with superior sensitivity and minimize the variation of the distance map between the prediction and ground-truth。
論文 参考訳（メタデータ） (2022-09-17T15:47:01Z) - An Adaptive and Altruistic PSO-based Deep Feature Selection Method for
Pneumonia Detection from Chest X-Rays [28.656853454251426]
肺炎は、特に世界の所得不足地域での小児死亡の主な原因の1つである。
コンピュータ支援型診断システム(CAD)は,プロの医療専門家よりも手術コストが低いため,そのような国で利用することができる。
深層学習の概念とメタヒューリスティックアルゴリズムを用いて,胸部X線からの肺炎検出のためのCADシステムを提案する。
論文 参考訳（メタデータ） (2022-08-06T18:20:50Z) - Deep Pneumonia: Attention-Based Contrastive Learning for
Class-Imbalanced Pneumonia Lesion Recognition in Chest X-rays [11.229472535033558]
Intention-based Contrastive Learning for Class-Imbalanced X-ray Pneumonia Lesion Recognitionを提案する。
提案手法は, 医師がより正確な肺炎の診断を行えるように, 信頼性の高いコンピュータ支援型肺炎診断システムとして利用することができる。
論文 参考訳（メタデータ） (2022-07-23T02:28:37Z) - 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 for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳（メタデータ） (2020-05-28T10:54:34Z)
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。