論文の概要: Why ML-based cough models do not generalize: a systematic cross-dataset evaluation for tuberculosis screening

• arxiv url: http://arxiv.org/abs/2608.25846v1
• Date: Wed, 26 Aug 2026 14:22:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.860793
• Title: Why ML-based cough models do not generalize: a systematic cross-dataset evaluation for tuberculosis screening
• Title（参考訳）: MLベースコークスモデルが一般化しない理由--結核スクリーニングのための体系的クロスデータセット評価
• Abstract要約: 音響検査は非侵襲性結核(TB)スクリーニングに有効である。 機械学習(ML)モデルは、疾患に関連する音響やデータ収集の成果物をキャプチャする。 古典的MLと深層学習(DL)コークスに基づくTB分類器を3つの独立したデータセットで比較した。
• 参考スコア（独自算出の注目度）: 3.7861325199095757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cough acoustics are promising for non-invasive tuberculosis (TB) screening, yet whether machine learning (ML) models capture disease-related acoustics or artifacts of data collection remains unresolved. We evaluated the cross-dataset generalizability of classical ML and deep learning (DL) cough-based TB classifiers across three independent datasets. Despite moderate within-dataset performance (ROC-AUC up to $0.755 \pm 0.056$), both pipelines fail to generalize, with external performance frequently below 0.6, indicating a possible limitation of the data. We further observed audio representations are organized by recording device and dataset rather than TB status, predicted TB probability tracks country-level prevalence in CODA, and device mismatch degrades transfer while device-diverse training improves it. Additionally, a clinical-variable baseline generalizes more consistently (ROC-AUC $0.655 - 0.711$), indicating acquisition-specific variability is a stronger driver of poor generalizability than population shift. High within-dataset performance is not enough. External validation is essential before cough-based TB models are clinically ready.
• Abstract（参考訳）: 粗い音響は非侵襲性結核(TB)スクリーニングに期待されているが、機械学習(ML)モデルが疾患に関連する音響やデータ収集の成果物を捉えるかどうかは未解決のままである。 古典的MLと深層学習(DL)コークスに基づくTB分類器を3つの独立したデータセットで比較した。 適度な内部データセット性能(ROC-AUC最大0.755 \pm 0.056$)にもかかわらず、両方のパイプラインは一般化に失敗し、外部性能は0.6以下であり、データの制限の可能性を示している。 さらに、TB状態ではなく記録装置とデータセットによって音声表現が組織化され、TB確率がCODAの国レベルの普及率を追跡することを予測し、デバイス・ディバーストレーニングが改善する間にデバイスミスマッチが転送を劣化させるのを観測した。 さらに、臨床変数のベースラインはより一貫して一般化し(ROC-AUC $0.655 - 0.711$)、取得固有の変動性は人口移動よりも低い一般化性の要因であることを示している。 データセット内でのパフォーマンスは十分ではありません。 TBモデルが臨床準備が整う前には、外的検証が不可欠である。

関連論文リスト

• Impute-EM: Native Mixed-State Diffusion Models for Heterogeneous Data Imputation [71.74203645336385]
  Impute-EMは、現在のモデルとインプットされていないエントリを交換し、完了したデータに拡散バックボーンをリフィットする。 我々は、この更新を特徴付け、観測されたマスクインデクシングされた辺縁線が、その限界で目標と一致していることを示す。
  論文  参考訳（メタデータ） (2026-09-14T09:39:13Z)
• Harmonized Interpretable ECG Waveform Features for Robust Cross-Dataset Clinical Prediction [8.898778301129223]
  2つの大きなコホート(MIMIC-IVとアルバータコホート)を用いた3つのタスクのクロスデータセット一般化のベンチマークを行った。 ベンダー固有の測定ミスマッチを低減するため,原波形から直接計算した調和的,解釈可能な特徴表現を構築した。 タスク全体では、内部のAUROCは0.79-0.82、クロスデータセットのAUROCは0.74-0.78であり、大きな方向依存のAUPRCシフトは転送中である。
  論文  参考訳（メタデータ） (2026-07-26T02:04:13Z)
• Dataset-Origin Signatures and Shortcut Learning in Screening Mammography AI: A Cross-Dataset Case Study [0.0]
  異常に富んだ外部データセットから生検確認された症例を補足すると,性能が向上するかどうかを検討した。 我々は,Mammo-CLIP重み付き効率の良いNet-B5エンコーダを,一貫した前処理下で凍結線形プローブとして評価した。
  論文  参考訳（メタデータ） (2026-07-16T19:41:48Z)
• Something from Nothing: Data Augmentation for Robust Severity Level Estimation of Dysarthric Speech [69.86604856129883]
  外科的音声品質評価(DSQA)は臨床診断と包括的音声技術において重要である。 本研究では,未ラベルの変形音声と大規模典型的な音声データセットを併用した3段階のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-16T23:00:07Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Tuberculosis Screening from Cough Audio: Baseline Models, Clinical Variables, and Uncertainty Quantification [0.6015898117103067]
  本稿では, 人工結核(TB)検出のための標準化された枠組みを提案し, 機械学習を用いて日常的に収集される臨床データについて述べる。 既存の研究は、データセット、コホート定義、特徴表現、モデルファミリー、バリデーションプロトコル、レポートされたメトリクスで大きく異なります。 我々は,いくつかの国から最近収集されたデータセットから,コークス記録と臨床メタデータを伴って,TB予測のための強力な,文書化されたベースラインを構築した。
  論文  参考訳（メタデータ） (2026-01-12T20:04:05Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• PySeizure: A single machine learning classifier framework to detect seizures in diverse datasets [0.0]
  我々は、様々な臨床データセット間で堅牢な発作検出を可能にする、革新的なオープンソースの機械学習フレームワークを導入する。 堅牢性を高めるため、このフレームワークは自動前処理パイプラインを組み込んで、データの標準化と過半数の投票機構を備えている。 データセット内のモデルをトレーニングし、チューニングし、評価し、データセット間の転送可能性を評価します。
  論文  参考訳（メタデータ） (2025-08-10T09:12:29Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Learning brain MRI quality control: a multi-factorial generalization problem [0.0]
  本研究の目的は,MRIQCパイプラインの性能評価である。 分析はMRIQCの前処理ステップに焦点を合わせ、パイプラインをそれなしでテストした。 我々は、CATIデータセットのような異種集団のデータで訓練されたモデルが、目に見えないデータの最良のスコアを提供すると結論付けた。
  論文  参考訳（メタデータ） (2022-05-31T15:46:44Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。