CXR-LT 2024: A MICCAI challenge on long-tailed, multi-label, and zero-shot disease classification from chest X-ray

要約

CXR-LTシリーズは、胸部X線（CXR）を使用した肺疾患の分類を強化するために設計されたコミュニティ主導のイニシアチブです。
開いた長い尾のある肺疾患の分類における課題に取り組み、最先端の技術の測定可能性を高めます。
最初のイベントであるCXR-LT 2023は、モデル開発のための高品質のベンチマークCXRデータを提供し、肺疾患の分類パフォーマンスに影響を与える継続的な問題を特定するための包括的な評価を実施することにより、これらの目標を達成することを目的としています。
CXR-LT 2023の成功に基づいて、CXR-LT 2024はデータセットを377,110の胸部X線（CXR）および19の新しい希少疾患所見を含む45の疾患ラベルに拡大します。
また、前のイベントで特定された制限に対処するために、ゼロショット学習に新しい焦点を導入します。
具体的には、CXR-LT 2024には、3つのタスクがあります。（i）大きな騒々しいテストセットでの長期尾の分類、（ii）手動で注釈された「ゴールドスタンダード」サブセットに関する長期尾の分類、および（iii）以前に目にした5つの病気の発見へのゼロショット一般化。
このホワイトペーパーでは、CXR-LT 2024の概要を説明し、データキュレーションプロセスの詳細と、希少疾患検出のためのマルチモーダルモデルの使用、ノイズの多いラベルを処理するための高度な生成アプローチ、目に見えない病気のためのゼロショット学習戦略など、最先端のソリューションを統合します。
さらに、拡張されたデータセットは疾患の範囲を促進し、実際の臨床設定をよりよく表し、将来の研究に貴重なリソースを提供します。
参加チームの洞察と革新を統合することにより、胸部X線撮影の臨床的に現実的で一般化可能な診断モデルの開発を進めることを目指しています。

要約(オリジナル)

The CXR-LT series is a community-driven initiative designed to enhance lung disease classification using chest X-rays (CXR). It tackles challenges in open long-tailed lung disease classification and enhances the measurability of state-of-the-art techniques. The first event, CXR-LT 2023, aimed to achieve these goals by providing high-quality benchmark CXR data for model development and conducting comprehensive evaluations to identify ongoing issues impacting lung disease classification performance. Building on the success of CXR-LT 2023, the CXR-LT 2024 expands the dataset to 377,110 chest X-rays (CXRs) and 45 disease labels, including 19 new rare disease findings. It also introduces a new focus on zero-shot learning to address limitations identified in the previous event. Specifically, CXR-LT 2024 features three tasks: (i) long-tailed classification on a large, noisy test set, (ii) long-tailed classification on a manually annotated ‘gold standard’ subset, and (iii) zero-shot generalization to five previously unseen disease findings. This paper provides an overview of CXR-LT 2024, detailing the data curation process and consolidating state-of-the-art solutions, including the use of multimodal models for rare disease detection, advanced generative approaches to handle noisy labels, and zero-shot learning strategies for unseen diseases. Additionally, the expanded dataset enhances disease coverage to better represent real-world clinical settings, offering a valuable resource for future research. By synthesizing the insights and innovations of participating teams, we aim to advance the development of clinically realistic and generalizable diagnostic models for chest radiography.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google