論文の概要: GazeRIB: Systematic Evaluation of Multi-Reader Gaze-Guided Chest X-ray Learning

• arxiv url: http://arxiv.org/abs/2610.42152v1
• Date: Fri, 30 Oct 2026 17:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.871344
• Title: GazeRIB: Systematic Evaluation of Multi-Reader Gaze-Guided Chest X-ray Learning
• Title（参考訳）: GazeRIB:マルチリーダー・ゲイズ誘導胸部X線学習のシステム評価
• Abstract要約: トレーニング中に未視領域をマスクするGazeRIBを評価し,推論時に未視領域の画像を使用する。 8人の専門家が同じ80個の胸部X線(CXR)を繰り返し読みました。 個々の読者に対して,7つのアーキテクチャと10のシードからなる3,5,8つのリーダパネルを比較した。
• 参考スコア（独自算出の注目度）: 0.1081009982663775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radiologists' visual attention can supervise medical image learning, but how reader panel composition affects its value remains untested. We evaluated GazeRIB (Gaze-guided Radiologist-Informed Blackout), which masks unviewed regions during training and uses unmasked images at inference. Eight experts repeatedly read the same 80 chest X-rays (CXRs). We compared individual readers with three-, five- and eight-reader panels across seven architectures and 10 seeds, evaluating 910 models on a separate 2,897-CXR cohort for four-class severity prediction. Every panel improved macro F1 over the no-gaze baseline by 5.33-7.47 percentage points (pp; Bonferroni-adjusted p < 0.007); no individual reader reached significance on this endpoint. Three readers captured 73-80% of the eight-reader gain in macro F1, the area under the receiver-operating-characteristic curve (ROC-AUC) and the area under the precision-recall curve (AU-PRC). On external validation without retraining, all four panels improved ROC-AUC on SIIM-FISABIO-RSNA by +1.93 to +4.24 pp (p <= 0.004); on MIMIC-Eye no panel differed significantly from baseline, whereas the single-reader average declined (-1.40 pp, p = 0.008). Reader composition therefore influenced performance, although transfer depended on the cohort.
• Abstract（参考訳）: 放射線技師の視覚的注意は医用画像の学習を監督するが、読者のパネル構成がその価値にどのように影響するかはまだ証明されていない。 GazeRIB (Gaze-guided Radioologist-Informed Blackout) はトレーニング中に未視領域をマスクし, 推論時に未視領域の画像を用いて評価した。 8人の専門家が同じ80個の胸部X線(CXR)を何度も読んだ。 異なる2,897-CXRコホートを用いて,2,897-CXRコホートを用いて,4クラスの重度予測を行った。 各パネルはフリーズベースラインのマクロF1を5.33-7.47ポイント(pp; Bonferroni-adjusted p < 0.007)改善した。 3人の読者がマクロF1の8-reader利得の73-80%、受信動作特性曲線(ROC-AUC)の領域、高精度リコール曲線(AU-PRC)の領域を捉えた。 外部からの検証では、SIIM-FISABIO-RSNAのROC-AUCを+1.93から+4.24 pp (p <= 0.004)改善した。 読者構成は、コホートに依存するが、パフォーマンスに影響を及ぼした。

関連論文リスト

• Personalising Deformable Image Registration with Clinical Context and Deformation History for Adaptive Radiotherapy [48.52787121001821]
  既存の登録方法は、各画像対を独立して扱う。 臨床コンテキスト認識と患者適応型画像登録(CAP-DIR)を開発した。 CAP-DIRは、内部テストのオルガン-アット-リスク領域の正常化クロス相関を84.76%から96.92%に増加させた。
  論文  参考訳（メタデータ） (2026-10-13T06:02:57Z)
• Beyond Benchmark Scores: Auditing Medical Vision-Language Models for Chest X-Ray Tuberculosis Screening [7.698602367824994]
  医学モデルのベンチマークスコアは、同じ結論が異なる評価の下で成り立つことを証明していない。 本研究は,コホート,プロンプト,負スペクトル,特定の有病率,動作しきい値の変化がモデルランキング,スコア信頼性,スクリーニング性能に与える影響を検証した。
  論文  参考訳（メタデータ） (2026-09-18T13:33:57Z)
• Prospective clinical indication, post-hoc report leakage, and fusion design in multi-image chest radiograph classification: a patient-clustered evaluation [0.5156484100374059]
  画像のみ、表示のみ、固定順序マルチモーダル、ランダムスワップ、DeepSets、セクションガードMIモデルを比較した。 予測表示は、レポート由来の目標と強く結びついており、置換認識融合は競争的であり、ポストホックレポートテキストは、レポートラベルの実質的な円形を生成する。
  論文  参考訳（メタデータ） (2026-07-15T13:08:09Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
  MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。 本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。 我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T17:11:17Z)
• DeepCORO-CLIP: A Multi-View Foundation Model for Comprehensive Coronary Angiography Video-Text Analysis and External Validation [5.793716496038637]
  DeepCORO-CLIPはビデオテキストコントラスト学習で訓練された多視点基礎モデルである。 モデルは、複数のプロジェクションとアテンションベースのプールを統合して、研究レベルの評価を行う。 DeepCORO-CLIPは、ケアの時点で自動的に冠動脈造影を解釈する基盤を提供する。
  論文  参考訳（メタデータ） (2026-03-18T12:54:24Z)
• Improving Prostate Gland Segmenting Using Transformer based Architectures [1.450405446885067]
  前立腺解剖の自動セグメンテーションに、読者間変動とクロスサイトドメインシフトが挑戦する。 前立腺分画におけるUNETRとSwinUNETRの性能を以前の3D UNetモデルと比較した。
  論文  参考訳（メタデータ） (2025-06-16T14:53:50Z)
• 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。