論文の概要: When Repository Labels Are Not Image-Level Truth: A Supervision Auditing Framework for Chest Radiograph AI

• arxiv url: http://arxiv.org/abs/2608.10084v1
• Date: Mon, 10 Aug 2026 18:00:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.772571
• Title: When Repository Labels Are Not Image-Level Truth: A Supervision Auditing Framework for Chest Radiograph AI
• Title（参考訳）: リポジトリラベルがイメージレベルの真実ではないとき - 胸部X線写真AIのためのスーパービジョン監査フレームワーク
• Abstract要約: 本稿では,レポジトリ由来のラベルを専門家のイメージレベルのアノテーションに対して評価するフレームワークであるRepository Supervision Auditing(RSA)を紹介する。 RSAは、レポジトリラベルと、放射線学者がレビューした画像アノテーションを比較し、不一致ソースを特徴付け、デプロイ指向の評価のためのキュレートされたコホートを構築する。 ほとんどの不一致は、明示的な報告否定ではなく、非否定によるもので、専門家によって確認された心筋腫は、ほぼ半数の研究でリポジトリ由来のNo Findingラベルを割り当てた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Public chest X-ray repositories are widely used to train medical AI systems, yet their labels are typically extracted from radiology reports rather than verified directly on images. As a result, repository labels are often treated as image-level ground truth without validating whether they reflect what is actually visible in the radiograph. We introduce Repository Supervision Auditing (RSA), a framework that evaluates repository-derived labels against expert image-level annotations before model development. Using cardiomegaly in MIMIC-CXR as a case study, RSA compares repository labels with radiologist-reviewed image annotations, characterizes disagreement sources, and builds a curated cohort for deployment-oriented evaluation. Repository-derived cardiomegaly labels showed near-zero agreement with expert image-level assessment, identifying only 1% of expert-confirmed cases. Most discrepancies resulted from non-mention rather than explicit report negation, with expert-confirmed cardiomegaly identified in nearly half of studies assigned a repository-derived No Finding label. Using the resulting expert-curated cohort, a DenseNet121 model achieved a test ROC-AUC of 0.853. These findings show that repository labels may not reliably represent image-level truth and highlight supervision auditing as a critical step for developing trustworthy medical imaging AI.
• Abstract（参考訳）: 公衆の胸部X線レポジトリは医療用AIシステムのトレーニングに広く使用されているが、そのラベルは画像上で直接認証されるのではなく、ラジオロジーレポートから抽出されるのが一般的である。 結果として、レポジトリのラベルは、しばしば画像レベルでの真実として扱われる。 モデル開発に先立って,レポジトリ由来のラベルを専門家のイメージレベルのアノテーションに対して評価するフレームワークであるRepository Supervision Auditing (RSA)を紹介した。 ケーススタディとしてMIMIC-CXRを用いて,レポジトリラベルと放射線技師がレビューした画像アノテーションを比較し,不一致ソースを特徴付けるとともに,デプロイ指向評価のためのキュレートされたコホートを構築する。 専門的画像評価とほぼゼロの一致を示し, 専門家確認症例の1%に過ぎなかった。 ほとんどの不一致は、明示的な報告否定ではなく、非否定によるもので、専門家によって確認された心筋腫は、ほぼ半数の研究でリポジトリ由来のNo Findingラベルを割り当てた。 結果として得られた専門家によるコホートを用いて、DenseNet121モデルはRCC-AUCの0.853を達成した。 これらの結果から,レポジトリラベルは画像レベルの真実を確実に表現するものではなく,信頼性の高い医用画像AIを開発するための重要なステップとして,監督監査を強調している可能性が示唆された。

関連論文リスト

• Positive-Unlabeled Preference Optimization For Chest X-ray Report Generation [20.57244883423868]
  優先信号の劣化を防止するための優先最適化フレームワークPU-DPOを提案する。 PU-DPOは複数の病理組織において検出率と隠蔽陽性の回復率において一貫した上昇を示した。
  論文  参考訳（メタデータ） (2026-08-05T18:59:23Z)
• Phenotyping TPF via Self-Supervised Learning: A Label-Agnostic Framework with Expert Validation [2.201241345037463]
  我々は、観測者指定のラベルなしで、画像データから直接フラクチャー表現を学習するためのラベルに依存しないフレームワークを設計、実装、検証する。 RadImageNet-pretrained ResNet-50 encoderは154個の膝X線写真に微調整されている。 ラベルに依存しないSSL表現は,従来の分類を再現し,臨床的に解釈可能な補完であることを示す。
  論文  参考訳（メタデータ） (2026-06-15T21:04:31Z)
• Unveiling Perceptual Artifacts: A Fine-Grained Benchmark for Interpretable AI-Generated Image Detection [95.08316274158165]
  X-AIGDは、低レベルの歪み、高レベルの意味論、認知レベルの反事実など、知覚的アーティファクトのピクセルレベルの分類されたアノテーションを提供する。 既存のAIGI検出器は、最も基本的な歪みレベルであっても、知覚的アーティファクトに依存しない。 モデル注意をアーティファクト領域と明確に整合させることは、検出器の解釈可能性と一般化を高めることができる。
  論文  参考訳（メタデータ） (2026-01-27T10:09:17Z)
• RSNA Large Language Model Benchmark Dataset for Chest Radiographs of Cardiothoracic Disease: Radiologist Evaluation and Validation Enhanced by AI Labels (REVEAL-CXR) [27.699008063855146]
  GPT-4oは13,735個の胸部X線写真から異常所見を抽出した。 専門家のレビューのために、AIが推奨するベンチマークラベルに基づいて1000がサンプリングされた。 17名の胸部放射線科医が参加し、「Agree all」「Agree mostly」「Disagree」と名づけた。
  論文  参考訳（メタデータ） (2026-01-21T16:04:01Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• VisualCheXbert: Addressing the Discrepancy Between Radiology Report Labels and Image Labels [4.865330207715854]
  胸部x線画像のラベリングには放射線科医の意見が異なっていた。 画像のラベリングとよりよく一致したラジオロジーレポートからラベルを作成する手法を開発し,評価する。
  論文  参考訳（メタデータ） (2021-02-23T03:02:36Z)
• Labelling imaging datasets on the basis of neuroradiology reports: a validation study [0.3871995016053975]
  我々の経験では、レポートのみからのイメージにバイナリラベルを割り当てることは極めて正確である。 しかし、バイナリラベルとは対照的に、より粒度の細かいラベルの精度はカテゴリに依存する。 また,非専門家によるトレーニングレポートのラベル付けを行うと,下流モデルの性能が低下することを示す。
  論文  参考訳（メタデータ） (2020-07-08T16:12:10Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation? [96.53940048041248]
  画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。 Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
  論文  参考訳（メタデータ） (2020-03-20T20:04:47Z)

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。