Xp‑Bodypart‑Checker は、体の部位に応じて X 線写真を正常に分割しました。提供：大阪首都大学
大阪首都大学の研究者らは、大規模な放射線写真コレクションでよくあるラベル付けエラーを検出して修正する実用的な方法を発見しました。彼らの研究では、身体部分、投影、および回転のタグを自動的に検証することにより、日常的な臨床タスクや研究プロジェクトに使用される深層学習モデルを改善しています。
その研究は、 出版された で ヨーロッパの放射線学。
X線写真のラベリングにおける課題
胸部X線撮影を用いた深層学習モデルは近年目覚ましい進歩を遂げており、心臓や呼吸機能の推定など人間にとって困難なタスクを達成できるように進化している。
ただし、AI の能力は、AI に入力された画像によって決まります。病院で撮影されたレントゲン画像には、次のような情報がラベル付けされていますが、 画像サイト 深層学習モデルに入力される前に、これはほとんど手動で行われるため、特に忙しい病院ではエラー、データの欠落、不一致が発生します。
これは、さまざまな回転を伴う画像によってさらに複雑になります。 X 線写真は前方から後方、またはその逆から撮影することができ、また横方向、反転、回転させることもできるため、データセットはさらに複雑になります。
大規模な画像アーカイブでは、これらの小さなエラーがすぐに積み重なり、誤ったラベルが付けられた結果が何百、何千も発生します。
自動化されたソリューションと結果
大学院生の光山康人氏と上田大樹教授を含む大阪首都大学大学院医学系研究科の研究チームは、深層学習モデルの入力データに影響を与える前にエラーを自動的に特定することで、誤ったラベルが付けられたデータの検出を向上させることを目指した。
このグループは 2 つのモデルを開発しました。Xp-Bodypart-Checker は、体の部位に応じて X 線写真を分類します。 CXp-Projection-Rotation-Checker は、胸部 X 線写真の投影と回転を検出します。
Xp‑Bodypart‑Checker は 98.5% の精度を達成し、CXp‑Projection‑Rotation‑Checker は投影に関して 98.5%、回転に関して 99.3% の精度を達成しました。研究者らは、両方を単一のモデルに統合することで、臨床現場で革新的なパフォーマンスを提供できるだろうと楽観視しています。
結果は優れていましたが、チームは臨床使用に向けてこの方法をさらに微調整したいと考えています。 「私たちは計画しています モデルを再トレーニングする 正しくラベルが付けられているにもかかわらずフラグが付けられたレントゲン写真と、フラグが付けられていないが実際には誤ってラベルが付けられていたレントゲン写真を分析することで、さらに高い精度を実現しました」と光山氏は語った。
詳細情報
光山 康仁 他、X 線撮影の身体部位分類および胸部 X 線写真の投影/方向分類のための深層学習モデル: 多施設研究、 ヨーロッパの放射線学 (2025年)。 DOI: 10.1007/s00330-025-12053-7
引用: 自動ラベルチェック: 医療 AI を信頼できるものにするために欠落しているステップ (2025 年 12 月 24 日) (2025 年 12 月 24 日取得)
この文書は著作権の対象です。個人的な研究や研究を目的とした公正な取引を除き、書面による許可なしにいかなる部分も複製することはできません。コンテンツは情報提供のみを目的として提供されています。
#医療 #を信頼できるものにするために欠けているステップ