論文の概要: Reconfigurable Radiology Labels Without Relabeling

• arxiv url: http://arxiv.org/abs/2607.06597v2
• Date: Tue, 14 Jul 2026 21:21:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 14:31:40.66107
• Title: Reconfigurable Radiology Labels Without Relabeling
• Title（参考訳）: Reconfigurable Radiology Labels without Relabeling
• Authors: Jean-Benoit Delbrouck, Dave Van Veen, Akash Pattnaik, Kalina Slavkova, Javid Abderezaei, Harris Bergman, Khan Siddiqui,
• Abstract要約: フリーテキストレポートをマルチラベル行列に変換するパイプラインをリリースする。 CXR研究の43%は、CheXpert-14以外の少なくとも1つの発見を含んでいる。
• 参考スコア（独自算出の注目度）: 4.19448785173794
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Public chest-radiograph (CXR) datasets are typically released with small, fixed label schemas such as CheXpert-14. However, the underlying free-text reports describe far more findings -- and which findings matter depends on the task, site, and reader. We release a pipeline that converts free-text reports into multi-label matrices and then reconfigures the label schema through dictionary edits rather than new inference passes, i.e., without relabeling the corpus. After this one-time pass, reconfiguring MIMIC-CXR (223K reports) from cached annotations takes 196 seconds with no API cost, compared to \$6.6K for an equivalent relabeling pass with Claude Opus 4.7. Using a 58-label taxonomy, we show that 43\% of CXR studies contain at least one finding outside CheXpert-14. Image probes trained on these labels match CheXpert-14 probes on shared targets while also reaching 0.78 AUROC on expert-reviewed long-tail labels that CheXpert-14 cannot represent. These results suggest a different unit of work for radiology labeling: once reports are structured, the label schema becomes a configuration to edit, not a corpus to relabel.
• Abstract（参考訳）: 公開胸線撮影(CXR)データセットは通常、CheXpert-14のような小さな固定されたラベルスキーマでリリースされる。 しかし、基礎となるフリーテキストレポートには、はるかに多くの発見が書かれており、どの発見が重要なのかは、タスク、サイト、リーダーによって異なる。 我々は,自由テキストレポートをマルチラベル行列に変換し,新たな推論パスではなく辞書編集によってラベルスキーマを再構成するパイプラインをリリースする。 この1回のパスの後、キャッシュされたアノテーションからMIMIC-CXR(223Kのレポート)を再構成するには、APIコストなしで196秒かかる。 58ラベルの分類法を用いて、CXR研究の43.5%がCheXpert-14以外の少なくとも1つの発見を含んでいることを示した。 これらのラベルで訓練された画像プローブは、共有ターゲットのチェXpert-14プローブと一致し、CheXpert-14が表現できない専門家レビューされたロングテールラベルの0.78AUROCに達した。 レポートが構造化されると、ラベルスキーマは編集のための構成となり、レラベルのコーパスではない。

関連論文リスト

• Large Language Model-Assisted Cleaning of Report-Derived Labels in a Large-Scale Chest CT Dataset [0.0177677587528917]
  大規模言語モデル(LLM)支援ラベルクリーニングがCT-RATEにおけるラベル報告不一致を識別できるかどうかを評価する。 報告レベルが低下した後、24,446のユニークな放射線診断報告が発見された。 GPT-5.4由来のラベルとCT-RATEラベルの全体的な合意は96.4%であり、コーエンのカッパは0.884である。
  論文  参考訳（メタデータ） (2026-06-21T08:01:06Z)
• Retrieval-Based Multi-Label Legal Annotation: Extensible, Data-Efficient and Hallucination-Free [3.5784933879188796]
  パラメトリックエンコーダは通常、ラベルセットの変更時にタスク固有のトレーニングと再トレーニングを必要とする。 生成可能な大規模言語モデルは、ラベル空間が大きくなるにつれてコストがかかり、劣化する。 我々は,文書とラベル記述を凍結検索モデルに埋め込み,k-アネレスト近傍の埋め込み空間でラベルを予測する。
  論文  参考訳（メタデータ） (2026-05-16T02:40:01Z)
• Enhancing chest X-ray datasets with privacy-preserving large language models and multi-type annotations: a data-driven approach for improved classification [0.6144680854063935]
  胸部X線(CXR)画像解析では、通常、ルールベースのシステムはデータセットリリースのレポートからラベルを抽出するために使用される。 本稿では,局所的に実行可能なLarge Language Model (LLM) を利用して,発見ラベルの抽出と拡張を行う新しいアプローチであるMAPLEZを提案する。
  論文  参考訳（メタデータ） (2024-03-06T20:10:41Z)
• Bridging the Gap between Model Explanations in Partially Annotated Multi-label Classification [85.76130799062379]
  偽陰性ラベルがモデルの説明にどのように影響するかを考察する。 本稿では,部分ラベルで学習したモデルの属性スコアを向上し,その説明をフルラベルで学習したモデルと類似させる。
  論文  参考訳（メタデータ） (2023-04-04T14:00:59Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)
• ECLARE: Extreme Classification with Label Graph Correlations [13.429436351837653]
  本稿では,ラベルテキストだけでなくラベル相関も組み込んだスケーラブルなディープラーニングアーキテクチャECLAREを提案し,数ミリ秒以内の正確なリアルタイム予測を実現する。 ECLAREは、Bing検索エンジンからソースされた関連製品レコメンデーションタスク用のプロプライエタリデータセットと同様に、公開可能なベンチマークデータセットの両方で2～14%精度の予測を提供する。
  論文  参考訳（メタデータ） (2021-07-31T15:13:13Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Learning to Purify Noisy Labels via Meta Soft Label Corrector [49.92310583232323]
  最近のディープニューラルネットワーク(DNN)は、ノイズラベルによるバイアス付きトレーニングデータに容易に適合する。 ラベル修正戦略はこの問題を軽減するために一般的に用いられる。 メタ学習モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-03T03:25:17Z)
• CheXpert++: Approximating the CheXpert labeler for Speed,Differentiability, and Probabilistic Output [0.0]
  CheXpert(チェXpert)は、胸部X線診断レポートの診断ラベルを作成するラベルである。 CheXpertは差別化できないため、ラベルを流れるために勾配を必要とするアプリケーションでは使用できない。 $texttCheXpert++$はCheXpertと99.81%のパリティを達成した。
  論文  参考訳（メタデータ） (2020-06-26T22:14:11Z)
• Few-shot Slot Tagging with Collapsed Dependency Transfer and Label-enhanced Task-adaptive Projection Network [61.94394163309688]
  本稿では,現在最先端の少数ショット分類モデルであるTapNetに基づくラベル強化タスク適応プロジェクションネットワーク(L-TapNet)を提案する。 実験結果から,本モデルは1ショット設定で14.64点のF1スコアで最強の少ショット学習ベースラインを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-10T07:50:44Z)

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。