論文の概要: How well do routinely collected demographic and clinical variables aid point-of-care lung ultrasound TB classification

• arxiv url: http://arxiv.org/abs/2610.06034v1
• Date: Mon, 05 Oct 2026 09:32:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:19:34.463396
• Title: How well do routinely collected demographic and clinical variables aid point-of-care lung ultrasound TB classification
• Title（参考訳）: 定期的な人口統計学的・臨床的変数の収集は肺動脈エコーの診断に有効か
• Abstract要約: 肺超音波像と日常的に収集した臨床像と人口統計像との融合を考察した。 個別に訓練された画像と臨床データ分類器の出力スコアを単純な平均ベースで融合すると、より複雑なアプローチが一貫して一致し、性能が向上することがわかった。 臨床および人口統計データの定期的収集は,肺超音波による自動分類の性能向上に有効であると考えられた。
• 参考スコア（独自算出の注目度）: 1.8642018450651143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the fusion of lung ultrasound images with routinely-collected clinical and demographic data for the purpose of automated tuberculosis (TB) screening using deep-learning. Such deep-learning based screening tools for TB could meaningfully support the health care system in Africa, where the burden of disease is severe and resources are constrained. Beginning with an established ResNet baseline for classification of lung ultrasound images, which achieves an area under the receiver operating characteristic (AUROC) curve of 0.91 [0.86,0.96] (95% CI), we consider the incorporation of the clinical and demographic data using three fusion approaches. We find that a simple average-based fusion of the output scores of separately-trained image and clinical data classifiers consistently matches or outperforms a more complex approach where the data is fused earlier and a combined classifier is trained. Fusing the image and the clinical classifiers in this way leads to a classifier with an overall AUROC of 0.95 [0.91,0.99] (specificity of 0.76 at sensitivity 0.93) which is an improvement of 4% absolute over the image-only baseline. We also find that greedy feature selection can be used to reduce the number of clinical and demographic inputs without sacrificing classification performance. Finally, when we differentiate between clinical and demographic data that are self-reported, that require some basic measurement or calculation, and that require a point-of-care (POC) test, we find the inclusion of the POC tests included in this study to be of minimal benefit to classification performance. We conclude that the incorporation of routinely-collected clinical and demographic data is a promising way to improve the performance of lung ultrasound based automatic classification.
• Abstract（参考訳）: 深層学習を用いた自動結核検診(TB)を目的として,肺超音波画像と日常的に収集した臨床および人口統計データを融合する検討を行った。 このような深層学習に基づくTBのスクリーニングツールは、病気の重荷が重く、資源が制約されるアフリカの医療システムに有意義に支援することができる。 肺超音波画像の分類法として確立されたResNetベースラインから始め、3つの融合法を用いて臨床および人口統計データの取り込みを検討する。 個別に訓練された画像と臨床データ分類器の出力スコアの単純な平均ベース融合は、データを早期に融合し、組み合わせた分類器を訓練するより複雑なアプローチを一貫して一致または上回っていることがわかった。 この方法で画像と臨床分類器を融合させることで、AUROC全体の0.95[0.91,0.99](感度0.93で0.76)の分類器が生成される。 また,greedy特徴選択は,分類性能を犠牲にすることなく,臨床および人口統計学的入力数を削減できることがわかった。 最後に、自己申告された臨床データと人口統計データを区別し、基本的な測定や計算を必要とし、POC(point-of-care)テストを必要とする場合、本研究に含まれるPOCテストは、分類性能に最小限の利益をもたらす。 臨床および人口統計データの定期的収集は,肺超音波による自動分類の性能向上に有効であると考えられた。

関連論文リスト

• A deep learning pipeline for PAM50 subtype classification using histopathology images and multi-objective patch selection [0.2958068627971103]
  PAM50遺伝子シグネチャは、乳がんを固有のサブタイプに分類する標準として広く認識されている。 本研究では,コストのかかる分子アッセイへの依存を減らすことを目的とした,新しい最適化駆動型ディープラーニングフレームワークを提案する。 提案手法は,非支配的ソート遺伝的アルゴリズムII(NSGA-II)とモンテカルロのドロップアウトに基づく不確実性推定を組み合わせ,パッチ情報量,空間的多様性,不確実性,パッチ数などを共同で最適化する。
  論文  参考訳（メタデータ） (2026-04-02T09:13:24Z)
• Enhancing Generalization in Sickle Cell Disease Diagnosis through Ensemble Methods and Feature Importance Analysis [2.8601718604194706]
  本研究は,最適なアンサンブルに基づく分類手法と特徴を選択するための新しいアプローチを提案する。 赤血球の末梢血スミア画像を用いたシックル細胞病の診断支援を提供する。
  論文  参考訳（メタデータ） (2026-01-19T13:00:41Z)
• Transformer Classification of Breast Lesions: The BreastDCEDL_AMBL Benchmark Dataset and 0.92 AUC Baseline [1.9336815376402718]
  本研究では,ダイナミックコントラスト強調MRIにおける乳腺病変の自動分類のためのトランスフォーマーベースフレームワークを提案する。 患者レベルでは100%の感度と67%の特異性を有する病変レベル分類のAUCを0.92で達成したSegFormerアーキテクチャを実装した。 データセット、モデル、評価プロトコルの公開リリースは、DCE-MRI病変分類のための最初の標準化されたベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:58:02Z)
• 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)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification [1.6986898305640261]
  頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。 我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
  論文  参考訳（メタデータ） (2021-08-21T08:41:41Z)
• Lung Ultrasound Segmentation and Adaptation between COVID-19 and Community-Acquired Pneumonia [0.17159130619349347]
  深層ニューラルネットワークを用いた超音声的B線分割作業に着目する。 我々は、COVID-19とCAP肺超音波データの両方を用いて、ネットワークをトレーニングする。 いずれかのタイプの肺疾患を推測する際には、様々な臨床応用が期待できる。
  論文  参考訳（メタデータ） (2021-08-06T14:17:51Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。