論文の概要: Smart Chest X-ray Worklist Prioritization using Artificial Intelligence:
A Clinical Workflow Simulation
- arxiv url: http://arxiv.org/abs/2001.08625v2
- Date: Thu, 18 Jun 2020 13:02:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 13:33:30.635308
- Title: Smart Chest X-ray Worklist Prioritization using Artificial Intelligence:
A Clinical Workflow Simulation
- Title(参考訳): 人工知能を用いたスマート胸部X線ワークリスト優先順位付け:臨床ワークフローシミュレーション
- Authors: Ivo M. Baltruschat, Leonhard Steinmeister, Hannes Nickisch, Axel
Saalbach, Michael Grass, Gerhard Adam, Tobias Knopp, Harald Ittrich
- Abstract要約: 人工知能(AI)によるスマートワークリストの優先順位付けが放射線学のワークフローを最適化し、胸部X線写真(CXR)における重要な発見に対する報告のターンアラウンドタイム(RTAT)を削減することができるかを評価することを目的とする。
病院固有のCXR生成率,報告率,病理組織分布を組み込むことで,大学病院の現在のワークフローをモデル化するシミュレーションフレームワークを開発した。
シミュレーションにより、AIによるスマートワークリストの優先順位付けは、CXRにおける批判的な発見に対する平均RTATを削減し、FIFOとして最小のRTATを維持できることが示されている。
- 参考スコア(独自算出の注目度): 3.6489646150813684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The aim is to evaluate whether smart worklist prioritization by artificial
intelligence (AI) can optimize the radiology workflow and reduce report
turnaround times (RTAT) for critical findings in chest radiographs (CXRs).
Furthermore, we investigate a method to counteract the effect of false negative
predictions by AI -- resulting in an extremely and dangerously long RTAT, as
CXRs are sorted to the end of the worklist.
We developed a simulation framework that models the current workflow at a
university hospital by incorporating hospital specific CXR generation rates,
reporting rates and pathology distribution. Using this, we simulated the
standard worklist processing "first-in, first-out" (FIFO) and compared it with
a worklist prioritization based on urgency. Examination prioritization was
performed by the AI, classifying eight different pathological findings ranked
in descending order of urgency: pneumothorax, pleural effusion, infiltrate,
congestion, atelectasis, cardiomegaly, mass and foreign object. Furthermore, we
introduced an upper limit for the maximum waiting time, after which the highest
urgency is assigned to the examination.
The average RTAT for all critical findings was significantly reduced in all
Prioritization-simulations compared to the FIFO-simulation (e.g. pneumothorax:
35.6 min vs. 80.1 min; p $<0.0001$), while the maximum RTAT for most findings
increased at the same time (e.g. pneumothorax: 1293 min vs 890 min; p
$<0.0001$). Our "upper limit" substantially reduced the maximum RTAT all
classes (e.g. pneumothorax: 979 min vs. 1293 min / 1178 min; p $<0.0001$).
Our simulations demonstrate that smart worklist prioritization by AI can
reduce the average RTAT for critical findings in CXRs while maintaining a small
maximum RTAT as FIFO.
- Abstract(参考訳): 本研究の目的は、人工知能(AI)によるスマートワークリスト優先順位付けが、胸部X線写真(CXR)における重要な発見に対して、放射線学ワークフローを最適化し、報告のターンアラウンド時間(RTAT)を短縮できるかどうかを評価することである。
さらに,aiによる偽陰性予測の効果を相殺する手法について検討し,cxrを作業リストの最後に並べ替えることで,極めて危険な長さのrtatを実現する。
病院固有のCXR生成率,報告率,病理組織分布を組み込むことで,大学病院の現在のワークフローをモデル化するシミュレーションフレームワークを開発した。
これを用いて,標準的なワークリスト処理 "first-in, first-out" (fifo) をシミュレートし,緊急性に基づくワークリスト優先順位付けと比較した。
胸水, 胸水, 浸潤, 渋滞, 気腫, 心筋症, 腫瘤, 異物など, 8種類の病理所見の分類を行った。
さらに,最大待ち時間に対する上限を導入し,その後,最高緊急度が試験に割り当てられた。
すべての重要な発見の平均rtatは、fifo-simulation (例: pneumothorax: 35.6 min vs. 80.1 min; p $<0.0001$)と比較して、全ての優先化シミュレーションにおいて有意に減少し、ほとんどの発見に対する最大rtatは同時に増加した (例: pneumothorax: 1293 min vs 890 min; p $<0.0001$)。
私たちの「上限値」は、rtatの全クラスを実質的に削減した(例: pneumothorax: 979 min vs. 1293 min / 1178 min; p $<0.0001$)。
シミュレーションにより、AIによるスマートワークリストの優先順位付けは、CXRにおける批判的な発見に対する平均RTATを削減し、FIFOとして最小のRTATを維持できることが示されている。
関連論文リスト
- Rapid and Accurate Diagnosis of Acute Aortic Syndrome using Non-contrast CT: A Large-scale, Retrospective, Multi-center and AI-based Study [22.886299062772693]
胸部痛症状は、急性大動脈症候群(AAS)が壊滅性心血管疾患であり、死亡率が高い救急部(EDs)で多い。
EDの現在のトリアージの実践は、AAS患者の最大半数が、当初診断に失敗したり、他の急性胸痛の症状があるとして誤診されたりする可能性がある。
非コントラストCTを用いた人工知能モデル(DeepAAS)を開発した。
論文 参考訳(メタデータ) (2024-06-14T02:15:09Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳(メタデータ) (2021-02-09T04:05:19Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳(メタデータ) (2021-01-13T07:03:17Z) - A Hybrid VDV Model for Automatic Diagnosis of Pneumothorax using
Class-Imbalanced Chest X-rays Dataset [0.0]
現在、利用可能な医療画像データセットのほとんどはクラスアンバランスの問題があります。
まず、クラス不均衡問題に取り組むための既存のアプローチを比較し、そのデータレベル・センスを見つける(つまり、)。
データセットのサブセットのアンサンブル) 他のアプローチよりも優れています。
提案手法はSIIM ACR Pneumothorax データセットと NIH Chest X-ray データセット(RS-NIH)のランダムサンプルを用いて検証した。
論文 参考訳(メタデータ) (2020-12-22T10:20:04Z) - Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies
on Medical Image Classification [63.44396343014749]
AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。
一般的に使用されるものよりも頑丈である。
大規模な最適化の観点からも同じ利点を享受しながら、正方損失。
私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
論文 参考訳(メタデータ) (2020-12-06T03:41:51Z) - CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint
Identification and Severity Quantification [45.86448200141968]
感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。
両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。
我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
論文 参考訳(メタデータ) (2020-06-02T08:05:06Z) - Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease
Dependencies and Uncertainty Labels [0.33598755777055367]
本稿では,14の一般的な胸部疾患の存在と観察を診断するための,深部畳み込みニューラルネットワーク(CNN)に基づく枠組みを提案する。
提案手法はCheXpertコンペティションのinde-pendentテストセット上でも評価され, 経験者5名によるアパネルでアノテートされた500個のCXR研究が含まれている。
論文 参考訳(メタデータ) (2020-05-25T11:07:53Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳(メタデータ) (2020-05-24T23:13:16Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳(メタデータ) (2020-05-05T18:08:23Z) - CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in
MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。
このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。
狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文 参考訳(メタデータ) (2020-01-23T15:20:22Z)
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。