MedConv: Convolutions Beat Transformers on Long-Tailed Bone Density Prediction

要約

Tスコアを推定するためのCTスキャンによる骨密度予測は極めて重要であり、空間分解能や局所的な変化を検出する能力に欠けるX線骨密度検査のような従来の方法と比較して、骨の健康状態をより正確に評価することができる。しかし、CTに基づく予測は、2つの大きな課題に直面している。すなわち、トランスフォーマーに基づくアーキテクチャーの計算複雑性が高く、ポータブルおよび臨床環境での展開が制限されることと、実世界の病院データの分布が不均衡でロングテールであるため、予測に歪みが生じることである。これらの問題に対処するために、我々は、骨密度予測のための畳み込みモデルであるMedConvを導入する。また、クラスバランスを改善するために、Bal-CE損失とポストホックロジット調整を適応させる。AustinSpineデータセットを用いた広範な実験により、我々のアプローチは、従来の最先端手法と比較して、精度で最大21%、ROC AUCで最大20%の改善を達成することが示された。

要約(オリジナル)

Bone density prediction via CT scans to estimate T-scores is crucial, providing a more precise assessment of bone health compared to traditional methods like X-ray bone density tests, which lack spatial resolution and the ability to detect localized changes. However, CT-based prediction faces two major challenges: the high computational complexity of transformer-based architectures, which limits their deployment in portable and clinical settings, and the imbalanced, long-tailed distribution of real-world hospital data that skews predictions. To address these issues, we introduce MedConv, a convolutional model for bone density prediction that outperforms transformer models with lower computational demands. We also adapt Bal-CE loss and post-hoc logit adjustment to improve class balance. Extensive experiments on our AustinSpine dataset shows that our approach achieves up to 21% improvement in accuracy and 20% in ROC AUC over previous state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL