論文の概要: Cross-dataset transportability of pediatric chest X-ray deep learning across three countries: discrimination, calibration, operating-point failure, and limited-label recovery
- arxiv url: http://arxiv.org/abs/2609.05140v1
- Date: Fri, 04 Sep 2026 13:39:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.05871
- Title: Cross-dataset transportability of pediatric chest X-ray deep learning across three countries: discrimination, calibration, operating-point failure, and limited-label recovery
- Title（参考訳）: 小児胸部X線深層学習におけるクロスデータセット輸送性 : 識別,校正,手術点故障,リミテッドラベル回復
- Abstract要約: 小児肺炎分類において, 識別, 確率校正, 固定操作点輸送, 限定ラベル回復性を別々に検証する計算プロトコルについて検討した。
国間でのデータセット間のシフトは、ランク付け、確率アライメント、ソース定義決定行動に異なる影響を及ぼした。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Background and Objective: External evaluation of medical-imaging AI is often collapsed into discrimination. We evaluated a computational protocol that separately tests discrimination, probability calibration, fixed operatingpoint transport, shortcut-associated signal, and limited-label recoverability for pediatric pneumonia classification across datasets from three countries. Methods: After exact-duplicate removal, 5,824 Guangzhou radiographs supported leakage-controlled source development and internal testing. A frozen three-seed DenseNet121 dual-view ensemble was evaluated zero-shot on BDCXR-3257 from Bangladesh (n = 3, 257) and an untouched harmonized VinDr-PCXR/PediCXR test cohort from Vietnam (n = 1, 077). Matched seed-42 variants tested architectural robustness. Secondary BDCXR analyses used a fixed 651-image adaptation pool and 2,606-image hold-out; 163, 326, and 651 labels represented 5%, 10%, and 20% of complete BDCXR. Results: Internal AUROC was 0.976 with 95.1% sensitivity. BDCXR and VinDr-PCXR AUROC were 0.798 and 0.742, while frozen-threshold sensitivity fell to 6.2% and 0%. Source-to-BDCXR AUROC degradation occurred for a full-image baseline (0.961 to 0.749), ungated dual-view model (0.977 to 0.766), and gated MixStyle model (0.966 to 0.789). With 163 BDCXR labels, Platt recalibration preserved AUROC while increasing held-out sensitivity to 88.3%, but specificity was 47.9% and the alert rate was 78.5%. Two hundred repeated 163-label fits confirmed sensitivity recovery but substantial specificity variability. Conclusions: Cross-dataset shifts across countries affected ranking, probability alignment, and source-defined decision behavior differently. Transport studies should evaluate these components separately and quantify the operational burden of apparent recovery.
- Abstract（参考訳）: 背景と目的: 医療画像AIの外部評価は、しばしば差別に陥る。
3ヶ国における小児肺炎分類において, 識別, 確率校正, 固定操作点輸送, ショートカット関連信号, 限定ラベル回復性を別々に検討した。
方法: 正確な重複除去後、5,824個の広州電報がリーク制御されたソース開発と内部テストをサポートした。
バングラデシュのBDCXR-3257(n = 3, 257)とベトナムのVinDr-PCXR/PediCXRテストコーホート(n = 1, 077)では、凍結した3列のDenseNet121デュアルビューアンサンブルがゼロショットで評価された。
マッチしたシード-42型は、アーキテクチャの堅牢性をテストした。
二次BDCXR分析では, 固定651イメージ適応プールと2,606イメージホールドアウトを用い, 163, 326, 651ラベルが5%, 10%, 20%の完全BDCXRを示した。
結果: 内部AUROCは0.976, 感度95.1%であった。
BDCXRとVinDr-PCXR AUROCは0.798と0.742であり、凍結閾値感度は6.2%と0%に低下した。
ソース・トゥ・BDCXR AUROCの劣化はフルイメージベースライン(0.961から0.749)、アンゲートデュアルビューモデル(0.977から0.766)、MixStyleモデル(0.966から0.789)で発生した。
163のBDCXRラベルにより、プラットは88.3%の感度でAUROCを保存したが、特異性は47.9%、警告率は78.5%であった。
200回163ラベルが適合し、感度の回復は確認されるが、相当な特異性を持つ。
結論: 国間でのデータセット間のシフトは、ランク付け、確率アライメント、ソース定義決定行動に異なる影響を及ぼした。
輸送研究は、これらのコンポーネントを個別に評価し、明らかな回復の運用上の負担を定量化するべきである。
関連論文リスト
- Safe to Stop? Risk-Constrained Stopping for Sequential Clinical Diagnosis Agents [8.33858460175655]
リスク制約付き停止層であるCrosについて述べる。状態的エラーランキング,不随伴開発分割に関するポリシー設計,選択的診断誤差の LTT スタイルの正確なテストなどである。
その有限サンプル保証は、キャリブレーションラベルにアクセスする前に、候補ファミリー、テストルール、任意のランダム化を凍結する必要がある。
論文 参考訳（メタデータ） (2026-09-09T03:46:53Z) - A cross-modal generative model for incomplete and degraded prostate MRI with multicentre clinical validation [48.14053205497089]
MSCNetは、入手できないコントラストを再構築し、劣化したコントラストを復元するためのシーケンス条件のクロスモーダル生成フレームワークである。
画像の画質は、DWI, ADC, T2Wの既定不等式基準を満たしたが、T1Wは満たされなかった。
論文 参考訳（メタデータ） (2026-08-17T08:11:25Z) - Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。
NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。
セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
論文 参考訳（メタデータ） (2026-08-12T21:02:59Z) - Calibrated Selective Prediction Using Deep Ensembles for ROI-Based Thyroid Nodule Ultrasound Classification Under Dataset Shift: A Retrospective Evaluation [0.0]
甲状腺結節分類と選択的画像ベーストリアージのための決定論的5員深層アンサンブルを開発した。
折りたたみ式のTN5000予測では、AUC-ROC 0.9395、AP 0.9715、ECE 0.0088、ブライアスコア 0.0813 を達成した。
この枠組みは強い内部識別と校正性を示したが、外部しきい値の輸送性は限られていた。
論文 参考訳（メタデータ） (2026-07-13T18:50:57Z) - Clinical Validation of the Melanoscope AI Mobile Dermoscopy Clinical Decision Support System [0.0]
悪性皮膚病変の早期発見は予後に重要である。
ロシアでは皮膚科医の不足が検診範囲を制限している。
モバイル皮膚科の臨床診断支援システムは有望なアプローチを提供する。
論文 参考訳（メタデータ） (2026-05-26T18:29:53Z) - Opportunistic Bone-Loss Screening from Routine Knee Radiographs Using a Multi-Task Deep Learning Framework with Sensitivity-Constrained Threshold Optimization [9.995968038491128]
変形性骨折を発症するまで、骨粗しょう症や骨減少症は診断されないことが多い。
変形性膝関節症評価のために, 膝X線撮影を行った。
単一チャネルグレースケール膝X線撮影のためのマルチタスクフレームワークSTR-Netを開発した。
論文 参考訳（メタデータ） (2026-04-22T07:12:04Z) - Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。
入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
論文 参考訳（メタデータ） (2026-01-07T23:35:24Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。
パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
論文 参考訳（メタデータ） (2025-05-23T14:40:09Z) - Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。
4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。
一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文 参考訳（メタデータ） (2024-08-30T08:57:04Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z)
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。