論文の概要: Taxlifier: Leveraging Disease Taxonomy for Enhanced Multi-Label Classification in Chest Radiography

• arxiv url: http://arxiv.org/abs/2607.05628v1
• Date: Mon, 06 Jul 2026 20:33:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.324676
• Title: Taxlifier: Leveraging Disease Taxonomy for Enhanced Multi-Label Classification in Chest Radiography
• Title（参考訳）: 胸部X線撮影におけるマルチラベル分類の活用
• Authors: Mohammad S. Majdi, Jeffrey J. Rodriguez,
• Abstract要約: 本稿では,ロスベースとロジットベースという2つの新しい階層型マルチラベル分類手法を提案する。 3つの大規模胸部X線データセットを用いて両手法の性能評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and efficient classification of thoracic diseases in chest X-ray (CXR) images is crucial for timely diagnosis and treatment. However, the presence of multiple pathologies with overlapping visual characteristics poses significant challenges for automated classification systems. In this study, we propose two novel hierarchical multi-label classification techniques, namely the loss-based and logit-based methods, to address these challenges by leveraging the hierarchical relationships among different thoracic pathologies. The loss-based technique integrates hierarchical information directly into the optimization process, while the logit-based method adjusts the predicted probabilities of each class based on its parent class in the disease taxonomy. We evaluate the performance of both techniques using three large-scale CXR datasets: CheXpert (224,316 CXRs), PADCHEST (160,000 CXRs), and NIH (112,120 CXRs). The experimental results demonstrate significant improvements in accuracy, AUC, and F1 scores compared to the baseline method across various pathologies. The logit-based and loss-based methods improve accuracy by 12\% and 11\%, AUC by 13\% and 10\%, and F1 scores by 24\% and 12\%, respectively compared to the baseline. These results represent a substantial improvement over the baseline method. Furthermore, we conduct a comprehensive statistical analysis to validate the robustness and reliability of the proposed techniques. The integration of domain-specific hierarchical knowledge not only enhances the classification performance but also provides a more interpretable output for clinical decision support. Our findings highlight the potential of hierarchical multi-label classification in advancing computer-aided diagnosis systems for chest radiography.
• Abstract（参考訳）: 胸部X線(CXR)画像における胸部疾患の正確な分類はタイムリーな診断と治療に重要である。 しかし、視覚的特徴が重なる複数の病理の存在は、自動分類システムに重大な課題をもたらす。 本研究では,2つの新しい階層的多ラベル分類手法,すなわちロスベース法とロジット法を提案する。 損失に基づく手法は、階層的な情報を最適化プロセスに直接統合する一方、ロジットに基づく手法は、疾患分類における親クラスに基づいて、各クラスの予測確率を調整する。 我々は,CheXpert (224,316 CXRs), PADCHEST (160,000 CXRs), NIH (112,120 CXRs) という3つの大規模CXRデータセットを用いて,両手法の性能を評価する。 その結果, 各種病理組織における基準法と比較して, 精度, AUC, F1 スコアが有意に改善した。 このロジットベース法とロスベース法は, ベースラインと比較して, 精度を12\%, 11\%, AUCを13\%, 10\%, F1を24\%, 12\%向上させた。 これらの結果は,ベースライン法よりも大幅に改善された。 さらに,提案手法の堅牢性と信頼性を検証するため,包括的統計的解析を行った。 ドメイン固有の階層的知識の統合は、分類性能を高めるだけでなく、臨床診断支援のためのより解釈可能なアウトプットも提供する。 胸部X線撮影におけるコンピュータ支援診断システムにおける階層的マルチラベル分類の可能性について検討した。

関連論文リスト

• TRCGL-Net: A Long-Tailed Multi-Label Chest X-Ray Classification Framework with Generative Data Augmentation and Label Co-Occurrence Modeling [15.092790142993188]
  疾患意味制約下で, 高品質な胸部X線画像サンプルを生成するためにRTCGL-Netを提案する。 提案手法は, テールクラスのmAPが0.4904, 全体的なmAPが0.4408, およびmAUCが0.8989であり, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-07-01T14:10:57Z)
• Multi-Class Segmentation of Aortic Branches and Zones in Computed Tomography Angiography: The AortaSeg24 Challenge [55.252714550918824]
  AortaSeg24 MICCAI Challengeは、23の臨床的に関連する大動脈枝と領域に注釈付き100 CTA巻の最初のデータセットを導入した。 本稿では,トップパフォーマンスアルゴリズムの課題設計,データセットの詳細,評価指標,詳細な分析について述べる。
  論文  参考訳（メタデータ） (2025-02-07T21:09:05Z)
• Machine Learning and statistical classification of CRISPR-Cas12a diagnostic assays [0.0]
  CRISPRベースの診断は、現代の分子診断テストの限界に対処できるバイオセンシングツールとして注目を集めている。 我々は、CRISPRバイオセンシングデータを分類し、モデルデータセットの100%特異性を達成するために、長期間のメモリリカレントニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2025-01-08T10:59:36Z)
• Effective-LDAM: An Effective Loss Function To Mitigate Data Imbalance for Robust Chest X-Ray Disease Classification [0.02609206307458148]
  E-LDAM(Effective-Label Distribution Aware Margin)と呼ばれるアルゴリズム中心のアプローチを提案する。 E-LDAMは,各クラスで有効なサンプル数を用いて,広く採用されているラベル分布認識マージン(LDAM)損失関数のマージンを変更する。 実験の結果,E-LDAM法の有効性が示され,マイノリティクラスでは97.81%という顕著なリコールスコアが得られた。
  論文  参考訳（メタデータ） (2024-07-06T04:24:07Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• HydraViT: Adaptive Multi-Branch Transformer for Multi-Label Disease Classification from Chest X-ray Images [0.0]
  胸部X線画像におけるマルチラベル分類性能を改善するための新しい手法を提案する。 HydraViTは、トランスフォーマーバックボーンとマルチブランチ出力モジュールと学習重み付けを組み合わせたものだ。 HydraViTは、競合する注意誘導手法の1.2%、地域誘導手法の1.4%、意味誘導手法の1.0%を上回っている。
  論文  参考訳（メタデータ） (2023-10-09T20:45:29Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• 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)
• 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)
• Uncertainty-driven ensembles of deep architectures for multiclass classification. Application to COVID-19 diagnosis in chest X-ray images [8.103053617559748]
  最近の新型コロナウイルスのパンデミックは、肺炎の診断を自動化するシステムの開発システムの必要性を示している。 CNNは、医療画像の自動分類に優れた選択肢であることが証明されている。 ベイズ深層学習に基づく多段階アンサンブル分類システムを提案する。
  論文  参考訳（メタデータ） (2020-11-27T14:06:25Z)

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。