論文の概要、ライセンス

# (参考訳) 臨床現場における糖尿病網膜症診断のための深層学習システムの有用性 [全文訳有]

Performance of a deep learning system for detection of referable diabetic retinopathy in real clinical settings ( http://arxiv.org/abs/2205.05554v1 )

ライセンス: CC BY-SA 4.0
Ver\'onica S\'anchez-Guti\'errez, Paula Hern\'andez-Mart\'inez, Francisco J. Mu\~noz-Negrete, Jonne Engelberts, Allison M. Luger, Mark J.J.P. van Grinsven(参考訳) 背景: RetCAD v.1.3.1 (Thirona, Nijmegen, オランダ) は, 3次病院検診プログラムにおいて, 定期的な臨床実践中に取得したカラー眼底画像のデータセット上で, 参照可能な糖尿病網膜症(DR)を自動的に検出し, この人工知能を応用した作業負荷の低減を解析した。 方法:2019年2月から12月までのスクリーニングプログラムに参加した糖尿病患者3189人の6325人の眼から,7195個の非骨髄性眼底画像を用いてソフトウェアの評価を行った。 ソフトウェアは各カラーフント画像に対してDR重度スコアを生成し、アイレベルスコアに組み合わせた。 このスコアは、レシーバ操作特性(ROC)曲線解析を用いて、人間の専門家によって設定された基準基準と比較された。 結果:人工知能(AI)ソフトウェアは、参照可能なDRを検出するために、ROC曲線(AUC)値0.988[0.981:0.993]の領域を達成し、DR用のRetCADソフトウェアの感度は90.53%、特異性は97.13%である。 作業負荷の96%削減は、偽陰性のわずか6件のコストで達成できた。 結論: AIソフトウェアは、参照可能なDRケースの大部分を正しく識別し、チェックが必要なケースの96%をワークロードで削減すると同時に、本当のケースがほとんどないため、トリアージの道具として使用することができる。

Background: To determine the ability of a commercially available deep learning system, RetCAD v.1.3.1 (Thirona, Nijmegen, The Netherlands) for the automatic detection of referable diabetic retinopathy (DR) on a dataset of colour fundus images acquired during routine clinical practice in a tertiary hospital screening program, analyzing the reduction of workload that can be released incorporating this artificial intelligence-based technology. Methods: Evaluation of the software was performed on a dataset of 7195 nonmydriatic fundus images from 6325 eyes of 3189 diabetic patients attending our screening program between February to December of 2019. The software generated a DR severity score for each colour fundus image which was combined into an eye-level score. This score was then compared with a reference standard as set by a human expert using receiver operating characteristic (ROC) curve analysis. Results: The artificial intelligence (AI) software achieved an area under the ROC curve (AUC) value of 0.988 [0.981:0.993] for the detection of referable DR. At the proposed operating point, the sensitivity of the RetCAD software for DR is 90.53% and specificity is 97.13%. A workload reduction of 96% could be achieved at the cost of only 6 false negatives. Conclusions: The AI software correctly identified the vast majority of referable DR cases, with a workload reduction of 96% of the cases that would need to be checked, while missing almost no true cases, so it may therefore be used as an instrument for triage.
公開日: Wed, 11 May 2022 14:59:10 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
TITLE PAGE Title: Performance of a deep learning system for detection of referable diabetic retinopathy in real clinical settings. TITLE PAGE Title: 参照型糖尿病網膜症を実地臨床で検出するための深層学習システムの性能 0.77
Authors: Verónica Sánchez-Gutiérrez1, Paula Hernández-Martínez1, Francisco J. MuñozNegrete1,2, Jonne Engelberts3, Allison M. Luger3, Mark J.J.P. van Grinsven3 Institutions: 1 : Ophthalmology Department, Ramón y Cajal University Hospital, Ramón y Cajal Health Research Institute (IRYCIS), Madrid, Spain. 著者: Verónica Sánchez-Gutiérrez1, Paula Hernández-Martínez1, Francisco J. MuñozNegrete1,2, Jonne Engelberts3, Allison M. Luger3, Mark J.J.P. van Grinsven3 Institutions: 1 : Ophthalmology Department, Ramón y Cajal University Hospital, Ramón y Cajal Health Research Institute (IRYCIS)
訳抜け防止モード: 著者:Verónica Sánchez - Gutiérrez1, Paula Hernández - Martínez1, Francisco J. MuñozNegrete1,2, Jonne Engelberts3, Allison M. Luger3, Mark J.J.P. van Grinsven3 Institutions : 1 : 眼科 Ramón y Cajal University Hospital, Ramón y Cajal Health Research Institute (IRYCIS) スペイン・マドリード出身。
0.85
2: University of Alcalá de Henares, Madrid, Spain. アルカラ・デ・ヘナレス大学(スペイン語: University of Alcalá de Henares)は、スペイン・マドリードにある大学。 0.47
3: Thirona, Nijmegen, The Netherlands Corresponding author: Mark J. J. P. van Grinsven E-mail: markvangrinsven@thir ona.eu 3: Thirona, Nijmegen, The Netherlands 共著者: Mark J. J. P. van Grinsven E-mail: markvangrinsven@Thir ona.eu 0.44
1 1 0.43
英語(論文から抽出)日本語訳スコア
ABSTRACT AND KEYWORDS Background: To determine the ability of a commercially available deep learning system, RetCAD v.1.3.1 (Thirona, Nijmegen, The Netherlands) for the automatic detection of referable diabetic retinopathy (DR) on a dataset of colour fundus images acquired during routine clinical practice in a tertiary hospital screening program, analyzing the reduction of workload that can be released incorporating this artificial intelligence-based technology. 抽象とキーワード 背景: RetCAD v.1.3.1 (Thirona, Nijmegen, オランダ) は, 3次病院検診プログラムにおいて, 定期的な臨床実践中に取得したカラー眼底画像のデータセット上で, 参照可能な糖尿病網膜症(DR)を自動的に検出し, この人工知能を応用した作業負荷の低減を解析した。 0.67
Methods: Evaluation of the software was performed on a dataset of 7195 nonmydriatic fundus images from 6325 eyes of 3189 diabetic patients attending our screening program between February to December of 2019. 方法:2019年2月から12月までのスクリーニングプログラムに参加した糖尿病患者3189人の6325人の眼から,7195個の非骨髄性眼底画像を用いてソフトウェアの評価を行った。 0.69
The software generated a DR severity score for each colour fundus image which was combined into an eye-level score. ソフトウェアは各カラーフント画像に対してDR重度スコアを生成し、アイレベルスコアに組み合わせた。 0.67
This score was then compared with a reference standard as set by a human expert using receiver operating characteristic (ROC) curve analysis. このスコアは、レシーバ操作特性(ROC)曲線解析を用いて、人間の専門家によって設定された基準基準と比較された。 0.70
Results: The artificial intelligence (AI) software achieved an area under the ROC curve (AUC) value of 0.988 [0.981:0.993] for the detection of referable DR. At the proposed operating point, the sensitivity of the RetCAD software for DR is 90.53% and specificity is 97.13%. 結果:人工知能(AI)ソフトウェアは、参照可能なDRを検出するために、ROC曲線(AUC)値0.988[0.981:0.993]の領域を達成し、DR用のRetCADソフトウェアの感度は90.53%、特異性は97.13%である。 0.81
A workload reduction of 96% could be achieved at the cost of only 6 false negatives. 作業負荷の96%削減は、偽陰性のわずか6件のコストで達成できた。 0.74
Conclusions: The AI software correctly identified the vast majority of referable DR cases, with a workload reduction of 96% of the cases that would need to be checked, while missing almost no true cases, so it may therefore be used as an instrument for triage. 結論: AIソフトウェアは、参照可能なDRケースの大部分を正しく識別し、チェックが必要なケースの96%をワークロードで削減すると同時に、本当のケースがほとんどないため、トリアージの道具として使用することができる。 0.66
Keywords (3-10): Automated detection, deep learning, diabetic retinopathy, screening, artificial intelligence キーワード(3-10):自動検出、ディープラーニング、糖尿病網膜症、スクリーニング、人工知能 0.73
List of abbreviations: DR: diabetic retinopathy 略称の一覧: 糖尿病網膜症 0.62
ROC: receiver operating characteristic ROC:受信機動作特性 0.95
AUC: area under the curve auc:曲線の下の領域 0.78
AI: artificial intelligence 2 AI:人工知能 2 0.58
英語(論文から抽出)日本語訳スコア
MAIN TEXT 1. メインテキスト 1. 0.50
Introduction Diabetes mellitus (DM) is a global health problem with a significant clinical impact on our society [1]. はじめに 糖尿病 (DM) は世界的な健康問題であり, 社会に重大な影響を与えている。 0.58
Sedentary lifestyles, obesity and lack of awareness are several potential factors that have contributed to an increased prevalence of DM, particularly in developing countries [2]. 摂食生活、肥満、認知の欠如は、特に発展途上国におけるDMの普及に寄与するいくつかの潜在的な要因である。 0.62
Diabetic Retinopathy (DR) is a common microvascular complication of DM and is a leading cause of acquired visual loss and blindness among the working-age population [3, 4, 5]. 糖尿病網膜症 (dr) はdmに共通する微小血管合併症であり, 知的障害や失明の原因となっている[3, 4, 5]。 0.58
Early detection of this condition is critical to reach better outcomes, because DR may remain asymptomatic until it progresses to an advanced vision-threatening stage. この状態の早期発見は、DRが高度な視力低下段階に進むまで無症状のままである可能性があるため、より良い結果に達することが重要である。 0.58
For this reason, DR screening programs have long been recommended for patients with diabetes, adopting regular follow-ups, in order to detect the onset or progression of DR condition[6, 7]. このため, 糖尿病患者に対しては, DR条件の発症・進展を検出するため, 定期的なフォローアップが推奨されている[6, 7]。 0.74
Telemedicine-based screening for DR using digital nonmydriatic fundus photography has proven to be effective for detection of DR along with an appropriate referral [8, 9]. デジタル不整脈撮影によるDRの遠隔検診は,適切な基準 [8, 9] とともにDRの検出に有効であることが証明された。 0.74
This method makes screening available to more patients and it can be used as a more efficient and cost-effective alternative than conventional in-office examination by an ophthalmologist [10]. この方法により, より多くの患者にスクリーニングが可能となり, 眼科医による従来の内科検査よりも効率的で費用対効果の高い検査方法として利用できる[10]。
訳抜け防止モード: この方法はより多くの患者に そして、眼科医による従来のin-office検査よりも効率的で費用対効果の高い代替品として使用できる[10]。
0.82
As the prevalence of diabetes is expected to rise in the future, together with the aging of populations globally, an associated increase in DR cases should also be expected [11, 12]. 糖尿病の有病率は今後上昇すると予想されており, 世界の高齢化とともに, dr患者の増加も期待できる[11,12]。
訳抜け防止モード: 糖尿病の流行は今後、世界の人口の高齢化とともに増加すると予想されている。 関連するdr症例の増加も[11,12]と予測すべきである。
0.77
In parallel, there is a need of intensify screening programs to include larger number of patients. 並行して、より多くの患者を含むためにスクリーニングプログラムを強化する必要がある。 0.65
So, in an effort to develop long-term strategies to manage this increasing burden of diabetes patients and possible retinopathy cases, artificial intelligence (AI) appears as an innovative tool of optimizing screening programs. そこで、糖尿病患者や網膜症患者の増加を抑えるための長期的な戦略を開発するために、人工知能(AI)はスクリーニングプログラムを最適化する革新的なツールとして現れる。 0.74
DR screening programs require human grader evaluation of the images which is resourceconsuming, while deep learning approaches are gaining popularity in automated detection of DR from retinal fundus photographs as they have achieved excellent diagnostic performance in terms of high sensitivity and specificity [13, 14, 15]. drスクリーニングプログラムは、リソース消費画像の人格評価を必要とするが、深層学習アプローチは、高い感度と特異性[13,14,15]で優れた診断性能を達成し、網膜眼底写真からのdrの自動検出で人気が高まっている。 0.75
In an attempt to increase the efficiency of DR screening and optimizing daily work flow, we designed this study to determine the performance of a deep learning system in detecting referable DR images from a real setting screening program compared with the evaluation done by ophthalmologist human graders. 本研究では, 眼科医の眼科医による評価と比較し, 現実の設定スクリーニングプログラムから参照可能なdr画像の検出における深層学習システムの性能を判定する目的で, drスクリーニングの効率を高め, 日々の作業フローを最適化する試みを行った。 0.82
Our aim is to evaluate the amount of workload that could be released with this AI-based technology while keeping a suitable safety profile. 当社の目標は、このaiベースの技術でリリースできるワークロードの量を評価しながら、適切な安全性プロファイルを維持することです。 0.66
3 3 0.43
英語(論文から抽出)日本語訳スコア
2. Materials and methods 2. 材料・方法 0.38
2.1 Participants and images 2.1 参加者と画像 0.69
A dataset of deidentified digital nonmydriatic fundus images were collected from consecutive recruited patients with a diagnosis of either type 1 or 2 DM who attended their regular visit at Ramon y Cajal Hospitals screening program. ラモン・イ・カハール病院で定期訪問を行った1型または2型dmの診断を受けた患者から, 身元不明のデジタル非真菌性眼底画像のデータセットを収集した。 0.75
Fundus photographs were taken by trained nurses during routine clinical practice between February to December of 2019. 2019年2月から12月までの定期的な臨床実践中に、訓練された看護師によって写真が撮られた。 0.47
Captures were done with a Topcon TRC-NW400 fundus camera (Topcon Medical Systems, Inc) using a 45º field of view. 撮影はTopcon TRC-NW400 Fundus Camera (Topcon Medical Systems, Inc)で行われ、45o視野で撮影された。 0.78
No mydriasis was applied. マイドリアスは適用されなかった。 0.40
The acquisition protocol ensured that at least one fovea centered image per eye had to be taken. 取得プロトコルは、眼1人あたりのfovea中心の画像の少なくとも1つを取る必要があることを保証した。
訳抜け防止モード: 取得プロトコルはそれを保証した 視線中心の画像は少なくとも1枚は撮らなければなりませんでした
0.68
In total 7454 images of 3270 patients were collected. 3270人の合計7454枚の画像が収集された。 0.57
The mean age of the patients was 64.7 years (range 14-92 years) and 54% were male. 平均年齢は64.7歳(約14~92歳)、54%が男性であった。 0.73
The mean duration of their diabetes was 6.7 years (range 1-48 years) and 85% had type 2 DM. 糖尿病の平均期間は6.7年(約1~48年)で、85%が2型DMであった。 0.73
All images were also scored for image gradeability, regarding contrast, clarity and focus, during the routine clinical practice and only gradable ones were included. すべての画像は, コントラスト, 明度, 焦点などの画像のグラデーション性も評価され, グラデーション可能な画像のみが含まれていた。 0.64
Finally, 7195 images of 6325 eyes of 3189 patients were used in this study, see Table 1. 最後に,3189例の6325個の眼の7195枚の画像を用いた。 0.54
Retinal images were saved in a jpeg format and then forwarded through a safe telematic line to our tertiary care hospital. 網膜の画像はjpeg形式で保存され、安全なテレマティックラインで私たちの第三次医療病院に転送されます。 0.63
Images were anonymized prior to transfer and use in this study, following the ethical principles of the Declaration of Helsinki and the approval for the use of the deidentified images was obtained as all information collected was treated confidentially in strict compliance. 本研究は、ヘルシンキ宣言の倫理的原則に従って、移転・使用前に画像が匿名化され、収集された全ての情報が厳格に遵守されたため、特定画像の使用の承認が得られた。 0.72
2.2 Automated grading for DR detection 2.2 DR検出のための自動階調 0.69
RetCADv.1.3.1 (Thirona, The Netherlands) is a commercially available, Class IIa CE-marked medical device software that incorporates a deep learning framework that analyzes retinal images for the detection of DR related abnormalities in colour fundus images. retcadv.1.3.1 (オランダ、thirona) は、市販のiia ceでマークされた医療機器ソフトウェアで、網膜画像を解析し、色眼底画像におけるdr関連異常を検出するディープラーニングフレームワークを組み込んだものである。
訳抜け防止モード: RetCADv.1.3.1 (Thirona, The Netherlands )は、Deep Learningフレームワークを組み込んだ、IIa CEクラスマークの医療機器ソフトウェアである。 カラー眼底画像におけるDR関連異常の検出のための網膜画像の解析。
0.73
The software is based on convolutional neural networks for the task of DR severity grading. このソフトウェアは、DR重度グルーピングのタスクのための畳み込みニューラルネットワークに基づいている。 0.67
In the process of analyzing the input colour fundus image, it compares regions in the image with regions extracted from normal and abnormal colour fundus images, which form the training data set of the software. 入力色底面画像を解析する過程で、画像中の領域と、ソフトウェアのトレーニングデータセットを形成する正常色底面画像および異常色底面画像から抽出された領域を比較する。 0.75
None of the images included in the dataset for this study were used for training the system. この研究のデータセットに含まれる画像はどれもシステムのトレーニングに使われていない。 0.82
The final outputs of the system are heat maps showing the locations of detected abnormalities (Fig.1) and a severity score in the range for DR. If the DR severity score is high, the case is deemed referable DR and the case should be referred for further testing. システムの最終出力は、検出された異常の場所を示すヒートマップ(図1)と、drの重症度スコアが高い場合、そのケースは参照可能なdrと見なされ、さらなるテストのためにケースを参照する必要がある dr. の範囲の重症度スコアである。 0.69
The DR severity score provided is a numerical index, varying from 0 to 100, where 0 represents the absence of retinopathy and an index closer to 100 indicates a high severity of DR is detected. 提供されるDR重症度スコアは、0〜100の数値指標であり、0は網膜症の欠如を表し、100に近い指標はDRの重症度が高いことを検知する。
訳抜け防止モード: 提供されるDR重度スコアは0から100までの数値指標である。 0は網膜症の欠如を表します 100に近い指数は、DRの重度が検出されることを示す。
0.74
The RetCAD system is calibrated in such a way that a case with a score >= 50 should be referred for further testing, while a case with DR severity score < 50 is not deemed referable. RetCADシステムは、DR重度スコア<50のケースが参照不可能であるのに対して、スコア>=50のケースをさらなるテストに参照するように校正される。
訳抜け防止モード: retcadシステムはこのような方法で調整されています スコア > = 50 のケースは、さらなるテストのために参照する必要がある。 dr重症度スコア < 50の症例は参照できない。
0.73
The performance of the RetCAD software has been directly compared with that of human experts in a separate validation study which was recently published [16]. RetCADソフトウェアの性能は、最近発表された別の検証研究において、人間の専門家と直接比較されている [16]。 0.76
4 4 0.43
英語(論文から抽出)日本語訳スコア
2.3 Study protocol 2.3 研究プロトコル 0.75
To establish a reference standard (RS), the totally of the 6325 images went through a preliminary human grading performed during routine clinical practice by a trained ophthalmologist with over 5 years of experience reading fundus images (Grader 1). 基準基準(rs)を確立するために、6325枚の画像は、基礎画像を読む5年以上の経験を持つ眼科医(grader 1)が日常臨床実習中に実施した予備的人間格付け(premive human grading)を経ていた。 0.72
The grading for DR stage was based on the International Clinical Diabetic Retinopathy (ICDR) severity scale, with stages 1 (no DR), 2 (mild non-proliferative DR), 3 (moderate nonproliferative DR), 4 (severe non-proliferative DR) and 5 (proliferative DR) [17]. 臨床糖尿病網膜症(icdr)重症度尺度に基づき,第1期(no dr),第2期(mild non-proliferative dr),第3期(moderate nonproliferative dr),第4期(severe non-proliferative dr),第5期(proliferative dr),第17期(proliferative dr)とした。
訳抜け防止モード: 国際臨床糖尿病網膜症(ICDR)重症度尺度(ICDR)に基づいて,DRステージのグレーディングを行った。 ステージ1(DRなし)、2(緩やかな非増殖DRなし) 3(中等度非増殖DR),4(重度非増殖DR) and 5 (proliferative DR ) [ 17 ]
0.83
This RS was then adapted into referable and non-referable classification: images assigned with stages 1 or 2 were considered non-referable DR cases and those with stages 3, 4 and 5 as referable DR cases. ステージ1または2に割り当てられた画像は、参照可能なdrケースと見なされ、ステージ3、ステージ4、ステージ5のイメージは参照可能なdrケースとされた。
訳抜け防止モード: このRSは、参照可能で非参照可能分類に適合した ステージ1、ステージ2に割り当てられた画像は、参照不可能なDRケースと見なされる そして, DR症例として, ステージ3, 4, 5の症例について検討した。
0.57
Table 2 summarizes the distribution of DR disease severity in the study dataset regarding the corresponding reference standard. 表2は、対応する基準に関する研究データセットにおけるDR病重症度の分布をまとめたものである。 0.73
The prevalence of referrable DR was 1.5% in this study population. 本研究におけるdrの有病率は1.5%であった。 0.72
RetCAD v1.3.1 was run on all of the images of the 6325 eyes and a DR score was reported. RetCAD v1.3.1は6325眼の全画像で実行され、DRスコアが報告された。 0.67
When multiple images were present for an eye, the maximum DR score of the multiple images was set as the DR score for that eye. 眼に複数の画像が存在する場合,複数の画像の最大 dr スコアをその眼の dr スコアとして設定した。 0.69
A threshold point of 50for the software DR grading was used, so cases with a severity score of <50 were classified as non-referable DR cases and cases with a severity score >= 50 were classified as referable DR. All cases with a RetCAD score >= 50and cases were the software and Grader 1 did not agree were additionally annotated by a second independent human grader (Grader 2), with three years on DR screening experience. ソフトウェア DR グレーティングでは 50 の閾値が用いられ,重度スコアが 50 のケースは非参照DR のケースに分類され,重度スコアが >= 50 のケースは参照DR のケースに分類された。
訳抜け防止モード: ソフトウェアdrグレーティングのしきい値ポイントは50であった。 重症度50点満点の症例を非参照dr症例に分類した。 また,重症度スコア>50の症例をdrと分類した。 retcadスコア > = 50 の全てのケースはソフトウェアであり、グレード1が同意しなかったケースは、さらに2番目の独立したグレード(グレード2)によってアノテートされた。 drスクリーニングの経験を3年間積んでいました
0.71
2.4 Statistical analysis Receiver operating characteristics (ROC) analysis was performed to measure the agreement between the RetCAD system and the reference standard. 2.4 統計解析 RetCADシステムと参照標準との一致を測定するために、受信者動作特性(ROC)解析を行った。 0.79
The RetCAD software was evaluated for the differentiation between non-referable and referable cases for DR. The ROC graph depicts the sensitivity and specificity pairs of the RetCAD software when using different cut-off threshold for the binary class problem. ROCグラフは2次クラス問題に対して異なるカットオフしきい値を使用する場合のRetCADソフトウェアの感度と特異性ペアを描いている。
訳抜け防止モード: RetCADソフトウェアは、DRの非参照可能なケースと参照可能なケースの区別のために評価された。 ROCグラフは、RetCADソフトウェアの感度と特異性ペアを描いている。 異なるカット-オフしきい値を使ってバイナリクラスの問題に対処する。
0.62
The overall performance of the RetCAD system is measured using the area under the ROC (AUC) value. ROC(AUC)値の領域を用いて,RetCADシステム全体の性能を測定した。 0.74
Bootstrap analysis was used to calculate the 95% confidence interval for the ROC and AUC value. ROC値とAUC値の95%信頼区間を計算するためにブートストラップ解析を行った。 0.79
Sensitivity and specificity of the RetCAD software are also reported for the pre-defined cut-off threshold of 50. RetCADソフトウェアの感度と特異性も, 予め定義した50のカットオフ閾値に対して報告されている。 0.64
5 5 0.42
英語(論文から抽出)日本語訳スコア
3. Results 3.1 AI system outcome 3. 結果 3.1 AIシステムの結果 0.62
Fig.2 shows a box plot of the DR severity scores obtained by the AI software and the ROC graph of the AI system for the detection of referable DR on eye-level. 第2図は、AIソフトウェアが取得したDR重大度スコアと、参照可能なDRを目レベルで検出するためのAIシステムのROCグラフのボックスプロットを示す。 0.71
The RetCAD software obtained an AUC value of 0.988 [0.981:0.993] for the detection of referable DR. At the operating point with a cut-off of 50, the sensitivity of the RetCAD software for DR is sensitivity is 90.53 (86/95) eyes) and specificity is 97.13 (6051/6230). RetCADソフトウェアは、参照可能なDRを検出するために0.988[0.981:0.993]のAUC値を取得し、50のカットオフの動作点において、DR用RetCADソフトウェアの感度は90.53(86/95)、特異度は97.13(6051/6230)である。 0.72
An analysis of the disagreement between the reference grading and the RetCAD software, when using the pre-defined fixed threshold of 50 for DR for was made, where Grader 2 provided adjudication. dr forに予め定められた固定しきい値50を用いた場合、基準格付けとretcadソフトウェアとの相違を解析し、グレーダ2が裁定を与えた。
訳抜け防止モード: 参照グレーティングとRetCADソフトウェアとの相違点の解析 DRのために事前定義された50の固定しきい値を使用するとき ここで、グレーダー2は判決を与えた。
0.72
As can be seen in Fig 3, of the 6051 cases with a RetCAD score <50, only nine cases were deemed referable DR by Grader 図3に示すように, retcadスコア50の6051例中, 小学生は9例のみdrと診断した。
訳抜け防止モード: 図3に示すように、6051例のRetCADスコアが50。 GraderによるDR参照例はわずか9例であった
0.66
1. Of these nine cases, three were graded as non-referable and six were graded as referable by Grader 1これらの9例のうち3例は非参照格、6例はグレーダー格とされた。 0.56
2. All six cases were scored by RetCAD just below the threshold of 50 (scores: 41, 35, 42, 45, 42, 46). 2) RetCADによる6例のスコアは50未満(スコア41,35,42,45,42,46)であった。 0.62
Five of these cases were marked as Mild DR by both graders whereas one case was scored as Severe DR. これらの症例のうち5例は軽度DRと評され,1例は重度DRと評価された。 0.56
Of the 274 cases scored as referable DR by the AI, Grader 1 indicated that 188 eyes were nonreferable. AIによる参照型DRとして測定された274例のうち、グレーダー1は188眼が参照不能であることを示した。 0.54
Of these 188 cases, 38 were also graded as non-referable by Grader 2, whereas 150 were graded as referable by Grader 2. これらの188例中、38例がグレード2で参照不能となり、150例がグレード2で参照可能とされた。 0.55
Of the 86 cases that were graded as referable by Grader 1, 81 of these cases were also graded as referable by Grader 2, whereas five cases were graded as non-referable. また,第1グレードが86例,第2グレードが81例,第5グレードが4例,第2グレードが81例であった。
訳抜け防止モード: 86例中86例のうち1例が1。 これらのうち81件はグレード2で参照できる程度に分類された。 5例が非参照として分類された。
0.59
The 5 cases which were scored referable by the AI, referable by Grader 1, but non-referable by Grader 2, the AI scorings were (56, 57, 58, 54, 53), so just above the cutoff threshold of 50. aiで参照可能な5例(グレード1で参照できるがグレード2では参照できない5例)は、aiスコア(56, 57, 58, 54, 53)であり、カットオフしきい値50を上回った。 0.53
All five cases were Moderate DR according to Grader 1, whereas two cases were No DR and three were Mild DR according to Grader 2. 5例とも中等度DR, 2例は非中等度DR, 3例は軽度DRであった。
訳抜け防止モード: 5例とも中等度DRであった。 No DRは2例, Mild DRは3例であった。
0.62
With the given AI outcome, only 274 of the 6325 cases have to be checked for referable DR, whereas only six cases would have been missed. AIの結果が与えられた場合、参照可能なDRには6325ケースのうち274ケースがチェックされなければならないが、わずか6ケースが欠落していた。
訳抜け防止モード: AIの結果が与えられた場合、6325件のうち274件しか報告されていない to be check for referenceable DR, 6例しか見つからなかった。
0.76
This is a workload reduction of 96%. これはワークロードの96%削減です。 0.73
Additionally in the flagged set of 274 cases, more referable DR cases were identified after adjudication of Grader 2. さらに,フラグ付き274例において,グレード2の裁定後,より参照可能なdr症例が同定された。 0.64
6 6 0.43
英語(論文から抽出)日本語訳スコア
4. Discussion The results revealed that the RetCAD software achieved an AUC value of 0.988 (0.981-0.993) for the detection of referable DR cases based on the ICDR severity scale on a large dataset of nonmydriatic fundus images acquired during routine clinical practice. 4. 討論 以上の結果から,retcadソフトウェアは,定期臨床実習中に獲得した非真菌性眼底画像の大規模データセットにおけるicdr重症度尺度に基づいて,参照可能なdr症例の検出に0.988 (0.981-0.993) のauc値を得た。 0.46
In our screening population, a cut-off threshold of 50 was selected resulting in an appropriate operating threshold, with values of sensitivity and specificity of 90.53 and 97.13, respectively. スクリーニング群では, それぞれ90.53, 97.13の感度, 特異性の値で, 適切な操作閾値が得られた50の遮断閾値が選択された。 0.79
The software demonstrated a robust discrimination performance as we ensured that both performance indicators were above the screening guidelines recommendations [18, 19]. このソフトウェアは、両方のパフォーマンス指標がスクリーニングガイドラインの推奨[18, 19]以上であることを保証するため、堅牢な識別性能を示しました。 0.67
From our retrospective evaluation of RetCAD software, we also concluded that the system resulted in a large reduction of the workload for human graders. retcadソフトウェアをふりかえり評価した結果、このシステムが人間の学年の作業負荷を大幅に削減したと結論づけた。 0.66
Concretely, only 4% of the images needed to be manually checked while missing 6 false negatives. 具体的には、画像の4%しか手動でチェックする必要がなく、6つの偽陰性が欠けている。
訳抜け防止モード: 具体的には 必要な画像の4%しか 手動で調べられる 偽陰性6件を 失ったまま。
0.72
DR screening programs can be optimized by reducing the number of fundus images requiring interpretation by human experts, who in return, can concentrate and spend more time reading abnormal images. drスクリーニングプログラムは、人間の専門家による解釈を必要とする基礎画像の数を減らすことで最適化することができ、その代わりに異常な画像を読むことに集中し、より多くの時間を費やすことができる。
訳抜け防止モード: DRスクリーニングプログラムは、人間の専門家による解釈を必要とする基礎画像の数を減らすことで最適化できる。 その代わり 集中して 異常画像を読むのに より多くの時間を費やすことができます
0.61
An important advantage of RetCAD software is that the operating threshold can be calibrated to set an optimal cut-off point for different settings to meet particular operational requirements. RetCADソフトウェアの重要な利点は、特定の運用要件を満たすために異なる設定に対して最適なカットオフポイントを設定するために、動作しきい値を調整できることである。 0.72
A lower threshold can be selected to screen more conservative, i.e., higher detection rate at the cost of more false-positives, or a higher threshold which results in more workload reduction, at the cost of loss in sensitivity.This workload reduction of 96% displayed a huge reduction compared with previous studies [20, 21, 22, 23, 24] which have reported proportions ranged from 26.4% to 60%. 低い閾値を選択することで、例えば、より偽陽性のコストで検出率を高くしたり、感度の低下のコストでワークロードを減少させる閾値を高くすることができる。この96%の負荷削減は、26.4%から60%の比率で報告された以前の研究(20,21,22,23,24]に比べて大きな減少を示した。 0.77
However, the prevalence of referable DR was very low in this well controlled diabetic population, and this might have influenced on achieving such a high workload reduction. しかし, 糖尿病患者では, 参照型DRの有病率は極めて低く, 作業負荷の低減に影響を及ぼす可能性が示唆された。 0.75
Even though in low DR burden settings, where the number of normal cases is typically much higher than the number of abnormal cases, the use of an automated system may result in increasing screening cost-effectiveness [25, 26]. 低DR負荷設定では、通常ケースの数が異常ケースの数よりもはるかに多い場合が多いが、自動システムの使用によりスクリーニングコスト効率が向上する可能性がある[25,26]。 0.69
It is important to test a DL system using independent datasets and in different populations, as this will assure the generalizability of the software in any clinical setting [19]. 独立したデータセットと異なる集団を用いてDLシステムをテストすることが重要である。
訳抜け防止モード: 独立したデータセットと異なる集団を用いてDLシステムをテストすることが重要である。 あらゆる臨床環境でソフトウェアが一般化可能であることを保証します [19]。
0.79
The RetCAD software has been evaluated on several datasets [16]. RetCADソフトウェアはいくつかのデータセット [16] で評価されている。 0.69
The data used in this study was collected on a large and highly representative sample in a real-world setting, as the patients were consecutively recruited in routine clinical practice from our DR screening program. 本研究で用いたデータは実世界の大規模で代表的なサンプルで収集され, 患者はDRスクリーニングプログラムから定期的な臨床実践を継続して募集された。 0.89
Therefore, we believe that the automatic detection system analyzed in our study may be reasonably applied in other real clinical cohorts. そこで本研究で分析した自動検出システムは,他の臨床コホートにも適当に適用できると考えられる。 0.83
However, integration into existing workflow remains challenging and prospective evaluation needs to be carried out to assess the discrimination performance of the system in normal procedure screening workflow. しかし、既存のワークフローへの統合は依然として困難であり、通常の手続きスクリーニングワークフローにおけるシステムの識別性能を評価するために、将来的な評価を行う必要がある。 0.64
Adoption of an AI tool in clinical practice requires a guarantee of its clinical utility. 臨床実践におけるAIツールの採用は、その臨床的有用性を保証する必要がある。 0.69
The development of automated detection routines can act as prefilters to flag out images with pathological lesions. 自動検出ルーチンの開発は、画像に病理病変を警告するプリフィルターとして機能する。 0.68
An added value of RetCAD software, shown in our study, is that additional referral cases were identified, after Grader 2 scored them, when the software had already flagged these cases as first triage operator. 本研究で示されたRetCADソフトウェアの付加価値は,第1トリアージ演算子としてこれらのソフトウェアがすでにフラグ付けされていたグレーダ2が評価した後,追加の参照事例が同定されたことである。 0.65
We have to consider that AI systems can serve as a triage system and replace initial grading, but final verdict for treatment option will still be 私たちは、AIシステムがトリアージシステムとして機能し、初期グレーティングを置き換えることができると考える必要があります。
訳抜け防止モード: 私たちは、AIシステムがトリアージシステムとして機能し、初期グレーティングを置き換えることができると考える必要があります。 しかし 治療の最終的な判断は
0.71
7 7 0.42
英語(論文から抽出)日本語訳スコア
done by human specialists. 人間の専門家によるものです 0.54
Additionally, they may constitute a tool to strengthen screening programs. さらに、スクリーニングプログラムを強化するツールを構成することもできる。 0.75
Automated detection systems offer an instant identification of patients with referable DR and allow increasing the number of people screened, which consequently, reduces delays in diagnosis of this treatable condition. 自動検出システムは、参照可能なDRの患者を瞬時に識別し、スクリーニングされた人の数を増加させ、その結果、この治療可能な状態の診断の遅延を低減する。
訳抜け防止モード: 参照型DR患者を瞬時に識別する自動検出システム スクリーニングされた人の数を増加させ、その結果、この治療可能な状態の診断の遅延を減少させる。
0.79
Legal liability in cases of misdiagnosis with AI is an issue that is yet to be resolved [27]. AIと誤診した場合の法的責任は、まだ解決されていない問題である[27]。 0.66
Consistent with this aspect, one of the main concerns of automated detection programs is missing referable cases with a potential delay in diagnosis and treatment. この側面と一致して、自動検出プログラムの主な関心事の1つは、診断と治療が遅れる可能性のある参照可能な症例の欠如である。
訳抜け防止モード: この側面に固執する。 自動検出プログラムの主な関心事の一つは 診断と治療の遅滞を伴う 参照可能な症例の欠失。
0.62
RetCAD missed six cases with referable DR according to both human graders; none of them had sight-threatening disease and all six cases were scored just below the threshold of 50 (Fig. 4). retcadは、どちらの学年でも参照可能なdrの6例を欠席したが、いずれも視力障害はなく、6例とも50点の閾値をわずかに下回っていた(図4)。 0.63
Of these six false negative cases, actually, the most worrisome was the one scored as severe DR by both Grader 1 and 2. これら6つの偽陰性症例のうち、実際最も心配なのは、グレーダー1と2の重篤なDR値であった。 0.68
Despite these false negative results, both human graders had a comparable or more number of missed cases. これらの偽陰性な結果にもかかわらず、両者の成績は同等かそれ以上の欠失事例があった。 0.57
Our study had some limitations. 私たちの研究にはいくつかの制限があった。 0.42
First, the preferred imaging protocol is based on seven stereo photographic fields [28], rather than the single macular field that was used in the present study. 第一に, 好適な撮像プロトコルは, 単一黄斑野ではなく, 7つのステレオ写真フィールド [28] に基づいている。
訳抜け防止モード: 第一に, 好適な撮像プロトコルは, 7つのステレオ写真フィールド [28] に基づいている。 本研究で用いられた単一の黄斑体ではなく。
0.72
However, previous studies [29, 30, 31] have found this is an efficient DR screening method, as most DR changes usually occur in the posterior pole, although some may occur at the nasal retina and may not be able to be detected by the macular centered imaging protocol. しかし、以前の[29,30,31]研究では、ほとんどのDR変化は通常後極で起こるが、一部は鼻網膜で起こり、黄斑中心イメージングプロトコルでは検出できない可能性があるため、効率的なDRスクリーニング法であることがわかった。 0.66
Second, only the cases with disagreement between RetCAD and Grader 1, and with RetCAD DR score >= 50 were read by Grader 2. 第2に,retcad と grader 1 の相違点と retcad dr スコア >= 50 のケースのみが grader 2 で読まれた。
訳抜け防止モード: 第2に、RetCAD と Grader 1 の相違がある場合のみである。 また、RetCAD DR score > = 50ではグレーダ2で読み取られた。
0.74
It could be that both RetCAD and Grader 1 have missed cases (in the 6042 cases set). RetCAD と Grader 1 の両方のケース(6042 のケースセット)が欠落している可能性がある。 0.79
This is considered in this study as the goal of the study was to see how AI can help reduce workload in the current DR settings. この研究の目的は、AIが現在のDR設定におけるワークロードを減らすのにどのように役立つかを調べることであると考えられている。 0.67
Any false negative in the 6042 cases would not have been detected in clinical practice as also Grader 1 would not have referred those cases. 6042例の偽陰性は臨床検査では検出されなかったが, グレーダー1はこれらの症例に言及しなかった。 0.75
Finally, the low prevalence of referable DR cases in our study limits the comparison of our results to other populations with more disease prevalence. 最後に,本研究におけるdr症例の頻度の低さは,より多くの疾患を有する他の集団との比較を制限している。 0.70
In conclusion, RetCAD software was able to identify a large proportion of normal fundus images in a real DR screening setting at high sensitivity and could therefore be an instrument of triage. 結論として、retcadソフトウェアは、実際のdrスクリーニング設定において、多くの正常な基底像を高い感度で識別することができ、そのためトリアージの道具となり得る。
訳抜け防止モード: 結論として、RetCADソフトウェアは可能だった 高感度で実際のDRスクリーニング設定において、正常な眼底画像の多数を識別する トリアージの道具になるかもしれません
0.66
Using this system, attention can be drawn on potentially referral cases and this could result in a substantial workload reduction, without compromising patients safety. このシステムを用いることで、患者の安全性を損なうことなく、潜在的に参照可能なケースに注意を向けることができる。 0.63
Future work should focus on integration and prospective evaluation of the software in screening workflow. 今後の作業は、スクリーニングワークフローにおけるソフトウェアの統合と将来の評価に焦点を当てるべきである。 0.63
8 8 0.42
英語(論文から抽出)日本語訳スコア
DECLARATION This publication was supported by the Horizon 2020 EUROSTARS programme (Eurostars programme: IMAGE-R [#12712]). 宣言 この出版は、Horizon 2020 EUROSTARSプログラム(Eurostars program: Image-R [#12712])によって支援された。 0.53
The funders had no role in the design and conduct of the study; collection, management, analysis, and interpretation of the data; and preparation and submission of the manuscript for publication. 資金提供者は、研究の設計と実行、データの収集、管理、分析、解釈、出版のための原稿の準備と提出には何の役割も持たなかった。
訳抜け防止モード: 資金提供者は,データの収集,管理,分析,解釈において,研究の設計と実施に何の役割も果たさなかった。 原稿の出版準備と提出です
0.80
Mark van Grinsven, Jonne Engelberts, and Allison Luger are employees of Thirona, and Mark van Grinsven is also shareholder of Thirona. Mark van Grinsven、Jonne Engelberts、Allison LugerはThironaの従業員であり、Mark van GrinsvenはThironaの株主でもある。 0.68
The dataset used and analysed during the current study are available from the corresponding author on reasonable request. 現在の研究で使用および分析されたデータセットは、合理的な要求に基づいて、対応する著者から入手できる。 0.58
9 9 0.42
英語(論文から抽出)日本語訳スコア
REFERENCES 1. Guariguata L, Whiting DR, Hambleton I, Beagley J, Linnenkamp U, Shaw JE. 参考 1.グアリグアタL、ホワイティングDR、ハンブルトンI、ビーニーJ、リンネンカンプU、ショーJE 0.51
Global estimates of diabetes prevalence for 2013 and projections for 2035. グローバル 2013年の糖尿病の有病率と2035年の予測です 0.70
Diabeters Res Clin Pr. 2002;103:137-49. 糖尿病を患う。 2002;103:137-49. 0.33
2. Gangwani RA, Lian JX, McGhee SM, Wong D, Li KKw. 2.ガンワニRA、リアンJX、マギーSM、ウォンD、リーKw。 0.61
Diabetic Retinopathy screening: 糖尿病網膜症スクリーニング 0.68
Global and Local Perspective. グローバル・ローカル・パースペクティブ。 0.69
Hong Kong Med J. 2016;22:486-95. 香港メドJ. 2016:22:486-95 0.37
3. Cheung N, Mitchell P, Wong TY. 3. cheung n, mitchell p, wong ty。 0.32
Diabetic retinopathy. Lancet. 糖尿病網膜症。 ランセット。 0.34
2010;10:124-36. 2010;10:124-36. 0.33
4. Wong TY, Sun J, Kawasaki R, Ruamviboonsuk P, Gupta N, Lansingh VC, et al Guidelineson Diabetic Eye Care: The International Council ofophthalmology recommendations for screening, follow-up, referral, and treatment based on resource settings. 4. Wong TY, Sun J, Kawasaki R, Ruamviboonsuk P, Gupta N, Lansingh VC, et al Guidelineson Diabetic Eye Care: the International Council ofophthalmology recommend for screening, follow-up, referral, and treatment based on resource settings。 0.43
Ophthalmol. 2018;125:1608-1622. 眼科。 2018;125:1608-1622. 0.27
5. Congdon NG, Friedman DS, Lietman T. Important causes of visual impairment in the world 5 congdon ng, friedman ds, lietman t. 世界における視覚障害の重要な原因 0.74
today. JAMA. 2003;290:2057-60. 今日だ JAMA 2003;290:2057-60. 0.51
6. Ting DSW, Cheung GC, Wong TY. 6. Ting DSW, Cheung GC, Wong TY 0.37
Diabetic retinopathy: global prevalence, major risk 糖尿病網膜症 : 世界的流行, 大きなリスク 0.71
factors, screening practices and public health challenges: a review. 要因, スクリーニング実践, 公衆衛生上の課題: レビュー 0.56
Clin ExpOphthalmol. Clin Expophthalmol 0.23
2016;44:260-77. 2016;44:260-77. 0.33
7. AAO: Retina/Vitreous Panel, Hoskins Center for Quality Eye Care. 7.AAO: Retina/Vitreous Panel, Hoskins Center for Quality Eye Care 0.41
Preferred practice pattern: diabetic retinopathy - Updated 2017. 好みの練習 パターン:糖尿病網膜症 - 2017年更新。 0.68
Available at: https://www.aao.org/ preferred-practice-p attern/ diabetic-retinopathy -ppp-updated2017. https://www.aao.org/ preferred-practice-p attern/ diabetes-retinopathy -ppp-updated 2017を参照。 0.30
8. Gómez-Ulla F, Fernandez MI, Gonzalez F, Rey P, Rodriguez M, Rodriguez-Cid MJ, et al 8 Gómez-Ulla F, Fernandez MI, Gonzalez F, Rey P, Rodriguez M, Rodriguez-Cid MJなど
訳抜け防止モード: 8 . Gómez - Ulla F, Fernandez MI, Gonzalez F レイP、ロドリゲスM、ロドリゲス-シドMJなど
0.70
Digital retinal images and teleophthalmology for detecting and grading diabetic retinopathy. 糖尿病網膜症の検出と評価のためのデジタル網膜画像と眼科 0.75
Diabetes Care. 2002;25:1384-9. 糖尿病治療。 2002;25:1384-9. 0.35
9. Massin P, Chabouis A, Erginay A, Viens-Bitker C, Lecleire-Collet A, Meas T, et al OPHDIAT: a telemedical network screening system for diabetic retinopathy in theIle-de-France. 9. massin p, chabouis a, erginay a, viens-bitker c, lecleire-collet a, meas t, et al ophdiat: the telemedical network screening system for diabetic retinopathy in theile-de-france
訳抜け防止モード: 9 . Massin P, Chabouis A, Erginay A, Viens - Bitker C Lecleire - Collet A, Meas T, et al OPHDIAT : TheIle - de - Franceにおける糖尿病網膜症に対する遠隔医療ネットワークスクリーニングシステム
0.80
Diabetes Metab. 2008;34:227-34. 糖尿病メタボ。 2008;34:227-34. 0.55
10. Li Z, Wu C, Olayiwola JN, St Hilaire D, Huang JJ. 10. Li Z, Wu C, Olayiwola JN, St Hilaire D, Huang JJ 0.38
Telemedicine-based digital retinal imaging 遠隔医用デジタル網膜イメージング 0.84
vs standard ophthalmologic evaluation for the assessment of diabetic retinopathy. 糖尿病網膜症評価における標準眼科評価との比較 0.77
Conn Med. 2012;76:85-90. conn med. 2012;76:85-90。 0.31
11. IDF. IDF Diabetes Atlas 8th Edition 2017. 11.IDF。 2017年、idf糖尿病アトラス第8版を発売。 0.36
Available at: http://www.diabetesa tlas.org. http://www.diabetesa tlas.org.comで入手できる。 0.50
(Accessed on 4 March 2019). (2019年3月4日発売) 0.55
12. Wong TY, Sabanayagam C. The war on diabetic retinopathy: where are we now? 12. Wong TY, Sabanayagam C. 糖尿病網膜症との戦い 0.49
Asia Pac J Ophthalmol. アジアパック 眼科医。 0.39
2019;8:448-56. 2019;8:448-56. 0.33
13. Islam MdM, Yang HC, Poly TN, Jian WS, Li YC. 13. イスラム教 MdM, Yang HC, Poly TN, Jian WS, Li YC 0.39
Deep learning algorithms for detection of 深層学習アルゴリズムによる検出 0.78
diabetic retinopathy in retinal fundus photographs: A systematic review and metaanalysis. 網膜眼底写真における糖尿病網膜症 : 系統的検討とメタアナリシス 0.80
Comput Methods Programs Biomed. Comput Methods Programs Biomed の略。 0.71
2020;191:105320. 2020;191:105320. 0.42
14. Bellemo V, Lim G, Rim TH, Tan GSW, Cheung CY, Sadda S, et al Artificial Intelligence 14. bellemo v, lim g, rim th, tan gsw, cheung cy, sadda s, et al artificial intelligence
訳抜け防止モード: 14 ベレモV,リムG,リムTH,タンGSW チャン CY, Sadda S, et al Artificial Intelligence
0.61
Screening for Diabetic Retinopathy: the Real-World Emerging Application. 糖尿病網膜症のスクリーニング : 臨床応用 0.51
Curr Diab 10 カーディアブ 10 0.37
英語(論文から抽出)日本語訳スコア
Rep. 2019;19:72. 2019年、19:72。 0.35
15. Nielsen KB, Lautrup ML, Andersen JK, Savarimuthu TR, Grauslund J. Deep learning based 15.Nielsen KB, Lautrup ML, Andersen JK, Savarimuthu TR, Grauslund J. Deep Learning based 0.41
algorithms in screening of diabetic retinopathy: a systematic review of diagnostic performance. 糖尿病網膜症のスクリーニングにおけるアルゴリズム:診断性能の体系的レビュー。 0.77
Ophthalmol Retin. 2019;3:294-304. 眼内レンズレチン 2019;3:294-304. 0.27
16. González-Gonzalo C, Sánchez-Gutiérrez V, Hernández-Martínez P, Contreras I, 16. ゴンザレス=ゴンザロ C, Sánchez-Gutiérrez V, Hernández-Martínez P, Contreras I 0.39
Lechanteur YT, Domanian A, et al Evaluation of a deep learning system for the joint automated detection of diabetic retinopathy and age-related macular degeneration. Lechanteur YT, Domanian A, et al による糖尿病網膜症と加齢に伴う黄斑変性の同時検出のためのディープラーニングシステムの評価 0.76
Acta Ophthalmol. acta ophthalmol の略。 0.36
2020;98:368-77. 2020;98:368-77. 0.33
17. Wilkinson CP, Ferris FL, Klein RE, Lee PP, Agardh CD, Davis M, et al Proposed 17. ウィルキンソンCP, フェリスFL, クラインRE, リーPP, アガードCD, デイビスMなど 0.63
international clinical diabetic retinopathy and diabetic macular edema disease severity scales. 国際臨床糖尿病網膜症と糖尿病黄斑浮腫の重症度尺度 0.76
Ophthalmol. 2003;110:1677-82. 眼科。 2003;110:1677-82. 0.27
18. Wong TY, Bressler NM. 18. Wong TY, Bressler NM 0.36
Artificial intelligence with Deep learning technology looks into ディープラーニング技術を用いた人工知能が探る 0.68
diabetic retinopathy screening. 糖尿病網膜症スクリーニング 0.69
JAMA. 2016;316:2366-7. JAMA 2016;316:2366-7. 0.42
19. Ting DSW, Peng L, Varadarajan AV, Keane PA, Burlina PM, Chiang MF, et al Deep 19. ting dsw, peng l, varadarajan av, keane pa, burlina pm, chiang mf, et al deep 0.35
learning in ophthalmology: the technical and clinical considerations. 眼科での学習: 技術的および臨床的考察。 0.86
Prog Retin Eye Res. 2019;72:100759. Prog Retin Eye Res. 2019:72:100759。 0.45
20. Philips S, Fleming AD, Goatman KA, Fonseca S, McNamee P, Scotland GS, et al The efficacy of automated “disease/no disease” grading for diabetic retinopathy in a systematic screening programme. 20. philips s, fleming ad, goatman ka, fonseca s, mcnamee p, scotland gs, et al 糖尿病網膜症に対する自動 "disease/no disease" グレーティングの有効性を体系的スクリーニングプログラムで評価した。 0.79
Br J Ophthalmol. 英名:Br J Ophthalmol。 0.64
2007;91:1512-7. 2007;91:1512-7. 0.33
21. Fleming AD, Goatman KA, Philip S, Williams GJ, Prescott GJ, Scotland GS, et al The role of haemorrhage and exudate detection in automated grading of diabetic retinopathy. 21. Fleming AD, Goatman KA, Philip S, Williams GJ, Prescott GJ, Scotland GS, et al 糖尿病網膜症の自動評価における出血およびエウドエート検出の役割 0.82
Br J Ophthalmol. 英名:Br J Ophthalmol。 0.64
2010;94:706-11. 2010;94:706-11. 0.33
22. Goatman K, Charnley A, Webster L, Nussey S. Assessment of automated disease 22.Goatman K, Charnley A, Webster L, Nussey S. 自動疾患の評価 0.85
detection in diabetic retinopathy screening using two-field photography. 2フィールド写真を用いた糖尿病網膜症のスクリーニング 0.66
PloS one. 2011;6:e27524. PloS 1。 2011年6月6日:e27524。 0.59
23. Ribeiro L, Oliveira CM, Neves C, Ramos JD, Ferreira H, Cunha-Vaz J. Screening for diabetic 23. リベイロ L, オリベイラ CM, ネベス C, ラモス JD, フェレイラ H, Cunha-Vaz J. 糖尿病スクリーニング 0.73
retinopathy in the central region of Portugal. ポルトガル中部の網膜症。 0.46
Added value of automated ‘disease/no disease’ grading. 自動「病欠/無病」の格付けの付加価値。 0.68
Ophthalmol. 2015;233:96-103. 眼科。 2015;233:96-103. 0.27
24. Soto-Pedre E, Navea A, Millan S, Hernaez-Ortega MC, Morales J, Desco MC, Pérez P. 24. Soto-Pedre E, Navea A, Millan S, Hernaez-Ortega MC, Morales J, Desco MC, Pérez P 0.46
Evaluation of automated image analysis software for the detection of diabetic retinopathy to reduce the ophthalmologists’ workload. 眼科医の作業負荷軽減を目的とした糖尿病網膜症検出のための自動画像解析ソフトウェアの評価 0.79
Acta Ophthalmol. acta ophthalmol の略。 0.36
2015;93:e52-6. 2015年:93:e52-6。 0.68
25. Nørgaard MF, Grauslund J. Automated screening for diabetic retinopathy – a systematic 25. Nørgaard MF, Grauslund J. 糖尿病網膜症に対する自動スクリーニング- 0.79
review. Ophthalmic Res. 2018;60:9-17. レビュー。 Ophthalmic Res. 2018;60:9-17。 0.53
26. Scotland GS, McNamee P, Philip S, Fleming AD, Goatman KA, Prescott GJ, et al Cost- 26.スコットランドGS, McNamee P, Philip S, Fleming AD, Goatman KA, Prescott GJ, et al Cost 0.83
effectivenessofimple mentingautomatedgrad ingwithinthenational screening programme for diabetic retinopathy in Scotland. スコットランドにおける糖尿病網膜症スクリーニングプログラムの実施効果 0.63
Br J Ophthalmol. 英名:Br J Ophthalmol。 0.64
2007;91:1518-23. 2007;91:1518-23. 0.33
27. Hatherley JJ. 27) Hatherley JJ 0.30
Limits of trust in medical AI. 医療AIに対する信頼の限界。 0.75
J Med Ethics. J Med Ethics所属。 0.89
2020;46:478-81. 2020;46:478-81. 0.33
11 11 0.43
英語(論文から抽出)日本語訳スコア
28. ETDRS report number 10. 28.ETDRSレポート番号10。 0.74
Grading diabetic retinopathy from stereoscopic color fundus photographs – an extension of the modified Airlie House classification. 立体色眼底写真から糖尿病網膜症を診断する - エアリー家の修正分類の拡張。 0.73
Ophthalmol. 1991;98:786-806. 眼科。 1991;98:786-806. 0.27
29. Cavallerano JD, Aiello LP, Cavallerano AA, Katalinic P, Hock K, Kirby R, et al Nonmydriatic 29. Cavallerano JD, Aiello LP, Cavallerano AA, Katalinic P, Hock K, Kirby R, et al Nonmydriatic
訳抜け防止モード: 29 . Cavallerano JD, Aiello LP, Cavallerano AA, Katalinic P ホックK,カービーR,および非ミリ波
0.74
digital imaging alternative for annual retinal examination in persons with previously documented no or mild diabetic retinopathy. 以前記録されたNoまたは軽度糖尿病網膜症患者の年間網膜検査のためのデジタル画像代替品。 0.66
Am J Ophthalmol. a j ophthalmol です 0.50
2005;140:667-3. 2005;140:667-3. 0.33
30. Murgatroyd H, Ellingford A, Cox A, Binnie M, Ellis JD, MacEwen CJ, Leese GP. 30. Murgatroyd H, Ellingford A, Cox A, Binnie M, Ellis JD, MacEwen CJ, Leese GP 0.39
Effect of midriasis and different field strategies on digital image screening of diabetic eye disease. 影響 糖尿病性眼疾患のデジタル画像スクリーニングにおけるmidriasisとフィールド戦略の相違 0.54
Br J Ophthalmol. 英名:Br J Ophthalmol。 0.64
2004;88:920-4. 2004;88:920-4. 0.33
31. Lin DY, Blumenkranz MS, Brothers RJ, Grosvenor DM. 31. Lin DY, Blumenkranz MS, Brothers RJ, Grosvenor DM 0.38
The sensitivity and specificity of single-field nonmydriatic monochromatic digital fundus photography with remote image interpretation for diabetic retinopathy screening: a comparison with ophthalmoscopy and standardized mydriatic color photography. 糖尿病網膜症スクリーニングのためのリモート画像解釈を用いた単体無色単色デジタルファンドスの感度と特異性 : 眼科内視鏡と標準化ミドリアンカラー写真との比較 0.80
Am J Ophthalmol. a j ophthalmol です 0.50
2002;134:204-13. 2002;134:204-13. 0.33
12 12 0.42
英語(論文から抽出)日本語訳スコア
FIGURE AND FIGURE LEGENDS フィギュア及びフィギュア遺伝子 0.39
Fig.1. Left: original fundus image; middle: contrast enhanced image produced by RetCAD; right: DR heatmap produced by RetCAD. 図1。 左: 原画像、中: コントラスト強化画像、右: DRヒートマップ、右: RetCAD。 0.46
Fig.2. Left: Box plot of the RetCAD DR severity scores per DR severity category as set by the RS; Right: ROC of the RetCAD system for the detection of referable DR versus non-referable DR. The operating threshold with a cut-off of 50 is added in the plot. 図2。 左:レトカドdrの箱プロット rsが設定したdr重大度カテゴリ毎の箱プロット 右:レトカドdr検出のためのレトカドシステムのroc 参照可能drと非参照可能drとを区別するdr.50のカットオフによる動作閾値をプロットに追加する。 0.71
13 13 0.85
英語(論文から抽出)日本語訳スコア
Fig.3. Flowchart of case reading by the AI software, Grader 1 and Grader 2. 図3。 AIソフトウェア、グレーダー1、グレーダー2による事例読解のフローチャート。 0.68
14 14 0.43
英語(論文から抽出)日本語訳スコア
1 2 3 4 1 2 3 4 0.43
5 TABLES Table 1. Distribution of sufficient image quality images. 5 表 表1。 十分な画質の画像の分布。 0.59
Number of good quality images Number of eyes 良質な画像の数 目の数 0.72
1 2 3 4 1 2 3 4 0.43
5617 579 5617 579 0.42
105 17 5 105 17 5 0.42
5 6 2 total 5 6 2 総じて 0.48
6325 Table 2. Reference DR grading. 6325 表2。 DRグレーディングを参照。 0.64
Diabetic retinopathy 1 (no DR) 2 (mild) 糖尿病網膜症 1(DRなし)2(ミルドなし) 0.62
3 (moderate) 4 (severe) 5 (proliferative) 3(モデレート)4(セレン)5(増殖) 0.66
Total stage Number of eyes 6055 総 舞台 目数 6055 0.52
175 76 18 175 76 18 0.43
1 6325 according to grader 1 1 6325 1年生によると 0.46
6 15 6 15 0.43
                               ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。