論文の概要: From Adults to Children: Benchmarking Foundation Models for Chest X-Ray Classification under Domain Shift

• arxiv url: http://arxiv.org/abs/2610.21809v1
• Date: Thu, 15 Oct 2026 12:57:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.08504
• Title: From Adults to Children: Benchmarking Foundation Models for Chest X-Ray Classification under Domain Shift
• Title（参考訳）: 成人から子どもへ:ドメインシフトによる胸部X線分類のためのベンチマーク基礎モデル
• Abstract要約: 成人から小児の胸部X線分類における基礎モデルの一般化能力について検討した。 これは、一般的な成人から小児への評価設定の下で、複数の基礎モデルを比較する最初のベンチマークである。
• 参考スコア（独自算出の注目度）: 5.931399156681511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models have shown significant potential across diverse fields and have been applied to medical imaging, but their robustness across patient populations remains unclear. In this work, we investigate foundation models' ability to generalize from adult to pediatric chest X-ray classification. To the best of our knowledge, this is the first benchmark to compare multiple foundation models under a common adult-to-pediatric evaluation setting while also analyzing the effect of adaptation depth. We harmonize VinDr-CXR and PediCXR into a five-label classification task and evaluate six foundation models and two CNN baselines. All models are adapted using adult data only and tested in both the in-domain and pediatric domains using linear probing, partial fine-tuning, and full fine-tuning. The benchmark reveals a clear and consistent trend: all models suffer a substantial performance degradation when transferred from adult to pediatric data, with drops exceeding 10 percentage points. While Macro-AUROC values reach approximately 92% on the adult test set, performance decreases to around 78% on the pediatric domain. Another important finding is that increasing the depth of adaptation does not significantly improve cross-population generalization. Moreover, strong in-domain performance does not translate into better performance on pediatric data.
• Abstract（参考訳）: 基礎モデルは様々な分野において有意な可能性を示しており、医療画像に応用されているが、患者の集団間での堅牢性は未だ不明である。 本研究では,成人から小児の胸部X線分類を一般化する基礎モデルの能力について検討する。 我々の知る限りでは、適応深度の影響を解析しながら、一般的な成人と小児の共通評価条件下で複数の基礎モデルを比較した最初のベンチマークとなる。 VinDr-CXRとPediCXRを5ラベルの分類タスクに調和させ、6つの基礎モデルと2つのCNNベースラインを評価する。 すべてのモデルは、アダルトデータのみを使用して適応され、線形プローブ、部分的な微調整、完全な微調整を用いて、ドメイン内および小児領域の両方でテストされる。 すべてのモデルが成人から小児へのデータ転送時に実質的なパフォーマンス低下を被り、低下率は10%を超える。 Macro-AUROC値は成人テストセットで約92%に達するが、小児領域では約78%に低下する。 もう一つの重要な発見は、適応深度の増加は人口間一般化を著しく改善しないことである。 さらに、強力なドメイン内パフォーマンスは、小児データの性能に変換されない。

関連論文リスト

• ASD-Bench: A Four-Axis Comprehensive Benchmark of AI Models for Autism Spectrum Disorder [0.0]
  ASD-Benchは、ML、ディープラーニング、基礎モデルの構成を3つの年齢コホートで評価する体系的なベンチマークである。 4,068 AQ-10レコードのキュレートされたv3データセットに適用する。 成人分類では,10/17モデルでF1とAUCを達成し,青年期ではF1天井0.837対0.915)が困難である。
  論文  参考訳（メタデータ） (2026-05-11T18:01:21Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Validating Vision Transformers for Otoscopy: Performance and Data-Leakage Effects [42.465094107111646]
  本研究では、耳疾患の診断精度を高めるために、視覚トランスモデル、特にスウィントランスモデルの有効性を評価する。 この研究はチリ大学臨床病院の耳鼻咽喉科の実際のデータセットを利用した。
  論文  参考訳（メタデータ） (2025-11-06T23:20:37Z)
• A Multi-Stage Hybrid CNN-Transformer Network for Automated Pediatric Lung Sound Classification [1.76179873429447]
  頭蓋骨画像を用いた小児呼吸器疾患の分類のためのハイブリッドCNN-Transformerフレームワークを提案する。 本モデルでは,2進イベント分類では0.9039,多進イベント分類では0.8448であった。
  論文  参考訳（メタデータ） (2025-07-27T20:36:46Z)
• Automatic Cough Analysis for Non-Small Cell Lung Cancer Detection [33.37223681850477]
  非小細胞肺癌(NSCLC)の早期発見は患者の予後改善に重要である。 本研究では,NSCLC患者と健常者との鑑別のためのスクリーニングツールとして,自動コークス分析の利用について検討する。 記録は、サポートベクタマシン(SVM)やXGBoostといった機械学習技術を用いて分析された。
  論文  参考訳（メタデータ） (2025-07-25T11:30:22Z)
• Benchmarking Chest X-ray Diagnosis Models Across Multinational Datasets [5.770825110701877]
  視覚言語事前学習を利用した基礎モデルは胸部X線(CXR)解釈において有望であることが示されている。 本研究は,多国籍CXRデータセット上での従来の畳み込みニューラルネットワーク(CNN)と比較して,基礎モデルの診断性能と一般化性を評価する。
  論文  参考訳（メタデータ） (2025-05-21T21:16:50Z)
• Towards A Generalizable Pathology Foundation Model via Unified Knowledge Distillation [41.25398139658467]
  現在の基礎モデルは限定型とタスク数でのみ評価されており、その一般化能力と全体的な性能は不明確である。 本研究は,6つの異なる臨床タスクタイプにわたる既成基礎モデルの性能を評価するためのベンチマークを構築した。 本稿では, エキスパートと自己知識の双方からなる統合された知識蒸留フレームワークを提案し, モデルが複数のエキスパートモデルの知識から学べるようにした。
  論文  参考訳（メタデータ） (2024-07-26T01:12:54Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Generalizability of Deep Adult Lung Segmentation Models to the Pediatric Population: A Retrospective Study [3.083972552471178]
  胸部X線(CXRs)の肺分画は心肺疾患の診断の特異性を改善する重要な前提条件である。 現在の肺分画の深層学習モデルはCXRデータセットを用いて訓練され評価され、X線投影は成体から主に捉えられる。 肺の形状は幼少期から成人期にかけて大きく異なることが報告されている。
  論文  参考訳（メタデータ） (2022-11-04T14:06:51Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)

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。