論文の概要: Bridging the gap between AI and Healthcare sides: towards developing
clinically relevant AI-powered diagnosis systems
- arxiv url: http://arxiv.org/abs/2001.03923v2
- Date: Mon, 6 Apr 2020 16:24:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-12 04:41:42.628192
- Title: Bridging the gap between AI and Healthcare sides: towards developing
clinically relevant AI-powered diagnosis systems
- Title(参考訳): AIと医療のギャップを埋める--臨床関連AIを用いた診断システムの開発に向けて
- Authors: Changhee Han, Leonardo Rundo, Kohei Murao, Takafumi Nemoto, Hideki
Nakayama
- Abstract要約: 医療・インフォマティクスにおける医療画像の専門家,医師,ジェネラリストを対象に,臨床的に価値のあるAI研究ワークショップを開催した。
そこで, 医師を対象としたアンケート調査により, データ拡張と医師養成の観点から, GANに基づく画像拡張プロジェクトを評価した。
- 参考スコア(独自算出の注目度): 18.95904791202457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the success of Convolutional Neural Network-based Computer-Aided
Diagnosis research, its clinical applications remain challenging. Accordingly,
developing medical Artificial Intelligence (AI) fitting into a clinical
environment requires identifying/bridging the gap between AI and Healthcare
sides. Since the biggest problem in Medical Imaging lies in data paucity,
confirming the clinical relevance for diagnosis of research-proven image
augmentation techniques is essential. Therefore, we hold a clinically valuable
AI-envisioning workshop among Japanese Medical Imaging experts, physicians, and
generalists in Healthcare/Informatics. Then, a questionnaire survey for
physicians evaluates our pathology-aware Generative Adversarial Network
(GAN)-based image augmentation projects in terms of Data Augmentation and
physician training. The workshop reveals the intrinsic gap between
AI/Healthcare sides and solutions on Why (i.e., clinical
significance/interpretation) and How (i.e., data acquisition, commercial
deployment, and safety/feeling safe). This analysis confirms our
pathology-aware GANs' clinical relevance as a clinical decision support system
and non-expert physician training tool. Our findings would play a key role in
connecting inter-disciplinary research and clinical applications, not limited
to the Japanese medical context and pathology-aware GANs.
- Abstract(参考訳): 畳み込みニューラルネットワークを用いたコンピュータ支援診断研究の成功にもかかわらず、臨床応用は依然として困難である。
したがって、医療人工知能(AI)を臨床環境に適合させるには、AIとヘルスケアのギャップを特定・ブリッジする必要がある。
画像診断における最大の問題点は, データのポーシティにあるため, 画像強調診断の臨床的妥当性の確認が不可欠である。
そこで我々は,医療・情報学の医療画像専門家,医師,ジェネラリストを対象に,臨床的に価値のあるAI研究ワークショップを開催した。
そこで, 医師を対象としたアンケート調査により, データ拡張と医師養成の観点から, GANに基づく画像拡張プロジェクトの評価を行った。
ワークショップでは、AI/ヘルスケア側とソリューション(臨床的意義/解釈)とハウ(データ取得、商用デプロイメント、安全/フィーリングセーフ)の本質的なギャップを明らかにしている。
本分析は,臨床診断支援システムと非専門医訓練ツールとしてのGANsの臨床的関連性を確認した。
本研究は,医学的文脈や病理学的GANに限らず,学際研究と臨床応用を結びつける上で重要な役割を担う。
関連論文リスト
- MedKP: Medical Dialogue with Knowledge Enhancement and Clinical Pathway
Encoding [48.348511646407026]
本稿では,知識向上と臨床パスウェイ符号化フレームワークを用いた医療対話について紹介する。
このフレームワークは、医療知識グラフを介して外部知識増強モジュールと、医療機関および医師の行動を介して、内部臨床経路をコードする。
論文 参考訳(メタデータ) (2024-03-11T10:57:45Z) - AI Hospital: Interactive Evaluation and Collaboration of LLMs as Intern
Doctors for Clinical Diagnosis [72.50974375416239]
リアルタイムのインタラクティブな診断環境を構築するために設計されたフレームワークであるAI Hospitalを紹介する。
様々な大規模言語モデル(LLM)は、対話的診断のためのインターン医師として機能する。
我々は,医療部長の監督の下で,反復的な議論と紛争解決プロセスを含む協調的なメカニズムを導入する。
論文 参考訳(メタデータ) (2024-02-15T06:46:48Z) - ChatCAD: Interactive Computer-Aided Diagnosis on Medical Image using
Large Language Models [53.73049253535025]
大規模言語モデル(LLM)は、最近臨床応用においてその可能性を実証している。
本稿では,LLMを医療画像CADネットワークに統合する手法を提案する。
LLMの医用領域知識と論理的推論の強みを、既存の医用画像CADモデルの視覚理解能力と融合させることが目的である。
論文 参考訳(メタデータ) (2023-02-14T18:54:06Z) - Current State of Community-Driven Radiological AI Deployment in Medical
Imaging [1.474525456020066]
本報告は, MonAIコンソーシアムの業界専門家と臨床医のグループによる, 週ごとの議論と問題解決経験について述べる。
実験室におけるAIモデル開発とその後の臨床展開の障壁を明らかにする。
臨床放射線学ワークフローにおける様々なAI統合ポイントについて論じる。
論文 参考訳(メタデータ) (2022-12-29T05:17:59Z) - A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。
新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
論文 参考訳(メタデータ) (2022-12-06T05:30:22Z) - Towards the Use of Saliency Maps for Explaining Low-Quality
Electrocardiograms to End Users [45.62380752173638]
診断に医用画像を使用する場合,画像が高品質であることが重要である。
遠隔医療において一般的な問題は、患者が診療所を退院した後にのみ、品質問題が警告されることである。
本稿では,低品質な医用画像をリアルタイムにフラグ付け,説明するためのAIシステムの開発について報告する。
論文 参考訳(メタデータ) (2022-07-06T14:53:26Z) - Artificial Intelligence in Dry Eye Disease [4.444624718360766]
ドライアイ病(DED)は5~50%の頻度である。
医学への応用における近年の成功は、主に機械学習のサブ分野の発展によるものである。
これは、DEDにおけるAIの使用に関する最初の文献レビューである。
論文 参考訳(メタデータ) (2021-09-02T10:17:50Z) - Medical Imaging and Machine Learning [16.240472115235253]
2018年に国立衛生研究所は、医療画像における人工知能の未来における重要な焦点領域を特定した。
データ可用性、新しいコンピューティングアーキテクチャと説明可能なAIアルゴリズムの必要性は、いまだに関係している。
本稿では,高次元臨床画像データに特有の課題について考察するとともに,技術的・倫理的考察を紹介する。
論文 参考訳(メタデータ) (2021-03-02T18:53:39Z) - Survey of XAI in digital pathology [3.4591414173342643]
本稿では,デジタル病理学におけるXAIについて,特定の特徴とニーズを持つ医用画像のサブディシプリタであるXAIについて紹介する。
病理画像診断における深層学習手法に関する現在のXAI技術の概要について概説する。
そこで我々は,XAIランドスケープの不可欠な部分として不確実性推定手法を取り入れた。
論文 参考訳(メタデータ) (2020-08-14T13:11:54Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳(メタデータ) (2020-04-06T15:21:34Z)
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。