論文の概要: AI outperformed every dermatologist: Improved dermoscopic melanoma
diagnosis through customizing batch logic and loss function in an optimized
Deep CNN architecture
- arxiv url: http://arxiv.org/abs/2003.02597v2
- Date: Fri, 28 Aug 2020 17:11:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 07:00:32.633995
- Title: AI outperformed every dermatologist: Improved dermoscopic melanoma
diagnosis through customizing batch logic and loss function in an optimized
Deep CNN architecture
- Title（参考訳）: AIはすべての皮膚科医より優れていた:最適化されたDeep CNNアーキテクチャにおけるバッチロジックと損失関数のカスタマイズによる皮膚内視鏡的メラノーマ診断の改善
- Authors: Cong Tri Pham, Mai Chi Luong, Dung Van Hoang, Antoine Doucet
- Abstract要約: 本研究では,メラノーマを二項分類問題として検出することを目的としたディープ畳み込みニューラルネットワークを用いた手法を提案する。
これには3つの重要な機能、すなわち、カスタマイズされたバッチロジック、カスタマイズされた損失関数、完全に接続されたレイヤが含まれる。
このモデルは157人の皮膚科医に優れ、AUCでは94.4%、感度は85.0%、特異度は95.0%であった。
- 参考スコア（独自算出の注目度）: 2.572959153453185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Melanoma, one of most dangerous types of skin cancer, re-sults in a very high
mortality rate. Early detection and resection are two key points for a
successful cure. Recent research has used artificial intelligence to classify
melanoma and nevus and to compare the assessment of these algorithms to that of
dermatologists. However, an imbalance of sensitivity and specificity measures
affected the performance of existing models. This study proposes a method using
deep convolutional neural networks aiming to detect melanoma as a binary
classification problem. It involves 3 key features, namely customized batch
logic, customized loss function and reformed fully connected layers. The
training dataset is kept up to date including 17,302 images of melanoma and
nevus; this is the largest dataset by far. The model performance is compared to
that of 157 dermatologists from 12 university hospitals in Germany based on
MClass-D dataset. The model outperformed all 157 dermatologists and achieved
state-of-the-art performance with AUC at 94.4% with sensitivity of 85.0% and
specificity of 95.0% using a prediction threshold of 0.5 on the MClass-D
dataset of 100 dermoscopic images. Moreover, a threshold of 0.40858 showed the
most balanced measure compared to other researches, and is promisingly
application to medical diagnosis, with sensitivity of 90.0% and specificity of
93.8%.
- Abstract（参考訳）: メラノーマは最も危険な種類の皮膚がんの1つで、非常に高い死亡率で再発する。
早期発見と切除は、治療が成功するための2つの重要なポイントである。
近年の研究では、人工知能を用いてメラノーマとネウスを分類し、これらのアルゴリズムの評価を皮膚科医のそれと比較している。
しかし、感度と特異性の測定の不均衡が既存モデルの性能に影響を及ぼした。
本研究では,二分分類問題としてのメラノーマの検出を目的とした深層畳み込みニューラルネットワークを用いた手法を提案する。
これには3つの重要な機能、すなわち、カスタマイズされたバッチロジック、カスタマイズされた損失関数、完全に接続されたレイヤが含まれる。
トレーニングデータセットは、メラノーマとnevusの17,302イメージを含む、最新の状態を維持している。
モデルはMClass-Dデータセットに基づいて,ドイツの12の大学病院の皮膚科医157名と比較した。
このモデルは全157人の皮膚科医より優れ、AUCでは94.4%、感度は85.0%、特異度は95.0%で、MClass-Dの100の皮膚画像の予測閾値は0.5であった。
さらに、0.40858の閾値は他の研究と比較して最もバランスの取れた指標を示し、感度90.0%、特異度93.8%の医療診断に有望である。
関連論文リスト
- Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
論文 参考訳（メタデータ） (2024-10-14T13:49:04Z) - Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - Clinical Melanoma Diagnosis with Artificial Intelligence: Insights from
a Prospective Multicenter Study [1.2397589403129072]
AIはメラノーマの検出を強化するのに役立つことが証明されている。
現存する研究は、サンプルサイズが低いこと、同質なデータセットが多すぎること、希少なメラノーマ亜型の欠如によって制限されている。
メラノーマの診断精度と皮膚科医の診断精度を比較検討し, 確立されたメラノーマ検出用オープンソースアルゴリズムである「All Data is Ext」(ADAE)を評価した。
論文 参考訳（メタデータ） (2024-01-25T14:03:54Z) - Using Whole Slide Image Representations from Self-Supervised Contrastive
Learning for Melanoma Concordance Regression [2.21878843241715]
悪性黒色腫と良性黒色腫病変を鑑別する際,病理医の間では高い一致率で診断が複雑になる。
デジタル化された全スライド画像(WSIs)から侵入性メラノーマまたはメラノーマの一致率を予測するメラノーマ一致回帰深層学習モデルを提案する。
我々は,4つの病理検査室から得られた10,895検体からランダムに採取した83,356個のWSIタイルを用いたSimCLR特徴抽出器を訓練した。
テストセットで0.28 +/-0.01のルート平均正方形誤差(RMSE)と0.85 +/-0.05と0.61 +/-0.06の精度とリコールを実現した。
論文 参考訳（メタデータ） (2022-10-10T16:07:41Z) - Melanoma Skin Cancer and Nevus Mole Classification using Intensity Value
Estimation with Convolutional Neural Network [0.0]
メラノーマ皮膚がんは最も危険で致命的ながんの一つである。
紫外線への曝露は皮膚細胞のDNAを損傷し、メラノーマ皮膚がんを引き起こす。
未熟期の悪性黒色腫とnevus moleの検出・分類は困難である。
論文 参考訳（メタデータ） (2022-09-30T13:35:24Z) - Skin Cancer Diagnostics with an All-Inclusive Smartphone Application [2.840144824279212]
ポータブル・在宅メラノーマ診断システムの開発には大きな関心がある。
本稿では,画像キャプチャ機能と事前処理とセグメンテーションを組み合わせたスマートフォンアプリケーションを提案する。
本手法は,良性黒色腫症例と良性黒色腫症例との鑑別において,軽量でユーザフレンドリで信頼性の高い手法である。
論文 参考訳（メタデータ） (2022-05-25T02:02:08Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Melanoma Diagnosis with Spatio-Temporal Feature Learning on Sequential
Dermoscopic Images [40.743870665742975]
悪性黒色腫自動診断のための既存の皮膚科医は、病変の単一点像に基づいている。
そこで本研究では,連続した皮膚内視鏡像を用いたメラノーマ診断のための自動フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-19T04:08:22Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。