論文の概要: Leakage- and Label-Aware Benchmarking of Class-Imbalance Strategies for Multimodal Chest X-Ray and EHR Classification
- arxiv url: http://arxiv.org/abs/2611.07950v1
- Date: Thu, 05 Nov 2026 12:47:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.688132
- Title: Leakage- and Label-Aware Benchmarking of Class-Imbalance Strategies for Multimodal Chest X-Ray and EHR Classification
- Title（参考訳）: マルチモーダル胸部X線およびEHR分類のためのクラスバランス戦略の漏洩・ラベル対応ベンチマーク
- Abstract要約: マルチモーダル胸部X線予測のためのクラス不均衡戦略のベンチマークは、ある患者が複数のX線写真に寄与するコホートを記録レベルに分けて評価されることが多い。
診断対象は10,479例のMIMIC-CXRで29,083例であった。
- 参考スコア（独自算出の注目度）: 1.6501171378935562
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Benchmarks of class-imbalance strategies for multimodal chest X-ray (CXR) and electronic health record (EHR) prediction are often evaluated on record-level splits of cohorts in which one patient contributes several radiographs. We audit such a benchmark on 29,083 MIMIC-CXR radiographs of 10,479 patients with eight diagnosis targets. First, the record-split benchmark was misleading: a lookup table that copies the label of a development-set radiograph with the same EHR vector nearly matched the best model, and on unseen patients every model fell to the level of predicting every case positive. Second, tracing the labels back to MIMIC-IV explained why: each patient's labels are keyword matches on the diagnosis codes of a single admission, copied, with one EHR vector per patient, to all of the patient's radiographs, so about a third of the radiographs carry labels that differ from the codes of their own admission. Third, under patient-separated evaluation with admission-aligned and rule-refined labels, the initial conclusions do not hold: in the evaluated configurations no imbalance strategy raised the observed mean macro F2 over no augmentation by more than 0.01, tuned tree ensembles showed no consistent advantage over tuned logistic regression, and the released EHR variables stayed at the level of the all-positive baseline, whereas the diagnostic history available at imaging time and image embeddings exceeded it, including, with rule-refined labels, a CheXpert-trained encoder that never saw these radiographs; RAD-DINO had seen 96.6% of them during self-supervised pretraining. Adding either encoder to the diagnostic history gave no statistically significant F2 gain; exploratory AUROC gains were significant with RAD-DINO but not with DenseNet. We provide reusable diagnostics, a leakage-aware protocol and a checklist.
- Abstract（参考訳）: マルチモーダル胸部X線(CXR)および電子健康記録(EHR)予測のためのクラス不均衡戦略のベンチマークは、1人の患者が複数のX線写真に寄与するコホートの記録レベル分割に基づいて評価されることが多い。
診断対象は10,479例のMIMIC-CXRで29,083例であった。
EHRベクターと同一のEHRベクターのラベルをコピーするルックアップテーブルは、最も良いモデルとほぼ一致し、目に見えない患者では、すべてのモデルがすべてのケースを肯定的に予測するレベルに落ちました。
第二に、ラベルをMIMIC-IVに遡ると、各患者のラベルは、単一の入院の診断符号のキーワードマッチングであり、患者1人当たりのEHRベクターとコピーされ、患者のすべてのラジオグラフにコピーされるので、約3分の1のラジオグラフは、自身の入院のコードとは異なるラベルを持っている。
評価された構成では、不均衡戦略が0.01以上の増加率で観測された平均マクロF2を上昇させなかったため、調整されたツリーアンサンブルは調整されたロジスティック回帰よりも一貫した優位性を示し、解放されたEHR変数は全陽性ベースラインのレベルにとどまった。
診断履歴にエンコーダを追加すると、統計的に有意なF2ゲインが得られず、RAD-DINOでは探索的なAUROCゲインが有意であったが、DenseNetでは有意であった。
再利用可能な診断、漏洩認識プロトコル、チェックリストを提供する。
関連論文リスト
- CardioVascBench:Prioritized Diagnosis Generation from Real-World Chinese Cardiovascular Records [7.800717178026255]
リアルな中国の循環器疾患記録から診断を優先するリフレクションベンチマークであるCardioVascBenchを紹介した。
未確認例は3,262例で、トレーニング用2,174例、評価用1,088例、臨床物語とテキストECGレポートをICD-10に標準化された専門的、命令された退院診断にリンクする。
評価プロトコルは,用語正規化とランクアウェアスコアを組み合わせることで,一次診断の同定,参照診断のカバレッジ,リストの精度を個別に評価する。
論文 参考訳（メタデータ） (2026-11-03T11:09:56Z) - Med-AR: Autoregressive Vision-Language Pretraining for Long-Tailed Chest X-Ray Classification and Uncertainty-Aware Evaluation [0.005149030930066386]
長い尾の胸部X線分類は、一般的な異常と微妙で稀な発見の両方を捉える視覚的表現を必要とする。
本稿では,Med-AR-8BとMed-AR-2Bを提案する。
コントラスト付き,自己監督型,教師付き事前学習型エンコーダに対して,視覚的エンコーダのマルチラベル分類への移行を評価する。
論文 参考訳（メタデータ） (2026-09-24T07:32:26Z) - Cross-Modal Contrastive Learning of ECG and Angiography Representations for Severe Stenosis Classification [79.18126160626093]
冠動脈狭窄は一般的な心血管疾患であり、重症で未治療の症例は心臓発作の重大なリスクを訴える。
プレトレーニングフレームワークであるStenCEを導入し,心電図から直接抽出した特徴に基づいて患者の階層化を可能にする。
得られたモデルは心電図における狭窄診断のための信号の検出に成功し,重症狭窄分類において初めて高い性能を達成した。
論文 参考訳（メタデータ） (2026-05-23T14:50:22Z) - Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
心電図による心臓の異常は, 長期分布により検出が困難である。
我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。
本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
論文 参考訳（メタデータ） (2026-03-20T07:04:00Z) - RSNA Large Language Model Benchmark Dataset for Chest Radiographs of Cardiothoracic Disease: Radiologist Evaluation and Validation Enhanced by AI Labels (REVEAL-CXR) [27.699008063855146]
GPT-4oは13,735個の胸部X線写真から異常所見を抽出した。
専門家のレビューのために、AIが推奨するベンチマークラベルに基づいて1000がサンプリングされた。
17名の胸部放射線科医が参加し、「Agree all」「Agree mostly」「Disagree」と名づけた。
論文 参考訳（メタデータ） (2026-01-21T16:04:01Z) - Closing the Performance Gap Between AI and Radiologists in Chest X-Ray Reporting [40.40577855417923]
胸部X線レポート生成のための臨床評価型マルチモーダルAIモデルMAIRA-Xを紹介する。
タイプや縦方向の変化,配置などの属性を報告する上での精度を評価するために,新しいL&T特化メトリクスフレームワークを開発した。
以上の結果から,MAIRA-Xは放射線科医,特に高用量臨床現場で効果的に治療できる可能性が示唆された。
論文 参考訳（メタデータ） (2025-11-21T10:53:26Z) - Limitations of Public Chest Radiography Datasets for Artificial Intelligence: Label Quality, Domain Shift, Bias and Evaluation Challenges [3.295369583957252]
大規模な公開データセットは、数十万のラベル付きイメージに病理アノテーションを提供する。
放射線診断レポートから 自動ラベル抽出が エラーを引き起こします
ドメインシフトと人口バイアスは サブグループモデル一般可能性を制限する
2人の放射線学者による専門家によるレビューでは、公開データセットラベルと大きな意見の相違が判明した。
論文 参考訳（メタデータ） (2025-09-18T16:13:11Z) - 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。