論文の概要: Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis

• arxiv url: http://arxiv.org/abs/2003.05037v3
• Date: Tue, 24 Mar 2020 08:20:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 21:03:54.255628
• Title: Rapid AI Development Cycle for the Coronavirus (COVID-19) Pandemic: Initial Results for Automated Detection & Patient Monitoring using Deep Learning CT Image Analysis
• Title（参考訳）: コロナウイルス(COVID-19)パンデミックのための迅速AI開発サイクル:ディープラーニングCT画像解析による自動検出と患者モニタリングの初期結果
• Authors: Ophir Gozes, Maayan Frid-Adar, Hayit Greenspan, Patrick D. Browning, Huangqi Zhang, Wenbin Ji, Adam Bernheim, Eliot Siegel
• Abstract要約: 本稿では,堅牢な2次元および3次元深層学習モデルを用いて,既存のAIモデルを修正・適応し,臨床的理解と組み合わせるシステムを提案する。 本研究は, 新型コロナウイルス性胸部CT像の検出において, システムの性能を解析するために, 複数の回顧実験を行った。 システム出力は、スライスベースのヒートマップまたは3Dボリュームディスプレイにおいて、小さな不透明度(体積、直径)の定量測定と、より大きな不透明度の可視化を可能にする。
• 参考スコア（独自算出の注目度）: 2.2427353485837545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Develop AI-based automated CT image analysis tools for detection, quantification, and tracking of Coronavirus; demonstrate they can differentiate coronavirus patients from non-patients. Materials and Methods: Multiple international datasets, including from Chinese disease-infected areas were included. We present a system that utilizes robust 2D and 3D deep learning models, modifying and adapting existing AI models and combining them with clinical understanding. We conducted multiple retrospective experiments to analyze the performance of the system in the detection of suspected COVID-19 thoracic CT features and to evaluate evolution of the disease in each patient over time using a 3D volume review, generating a Corona score. The study includes a testing set of 157 international patients (China and U.S). Results: Classification results for Coronavirus vs Non-coronavirus cases per thoracic CT studies were 0.996 AUC (95%CI: 0.989-1.00) ; on datasets of Chinese control and infected patients. Possible working point: 98.2% sensitivity, 92.2% specificity. For time analysis of Coronavirus patients, the system output enables quantitative measurements for smaller opacities (volume, diameter) and visualization of the larger opacities in a slice-based heat map or a 3D volume display. Our suggested Corona score measures the progression of disease over time. Conclusion: This initial study, which is currently being expanded to a larger population, demonstrated that rapidly developed AI-based image analysis can achieve high accuracy in detection of Coronavirus as well as quantification and tracking of disease burden.
• Abstract（参考訳）: 目的: コロナウイルスの検出,定量化,追跡のためのAIベースの自動CT画像解析ツールを開発する。 材料と方法:中国病感染地域を含む複数の国際データセットを含む。 本稿では,堅牢な2次元および3次元深層学習モデルを用いて,既存のAIモデルを修正・適応し,臨床的理解と組み合わせるシステムを提案する。 本研究は, 新型コロナウイルスの胸部CT像が疑われる症例の検出におけるシステムの性能解析と, 3Dボリューム・レビューを用いて経時的に疾患の進展を評価することを目的として, コロナスコアを作成した。 この研究には157人の国際患者(中国と米国)が参加している。 結果: 胸部ct検査では, ウイルス対非コロナウイルスの分類結果が0.996 auc (95%ci: 0.989-1.00) であった。 作業点:感度98.2%、特異度92.2% コロナウイルス患者の時間分析のために、システム出力は、小さな不透明度(体積、直径)の定量的測定とスライスベースの熱マップや3Dボリュームディスプレイにおける大きな不透明度の可視化を可能にする。 提案するコロナスコアは,疾患の進行を経時的に測定する。 結論: 本研究は, 早期に開発されたaiベースの画像解析により, 新型コロナウイルスの検出精度, 定量化, 病害の追跡に有効であることを実証した。

関連論文リスト

• Deep Learning for Segmentation-based Hepatic Steatosis Detection on Open Data: A Multicenter International Validation Study [5.117364766785943]
  この3段階のAIワークフローは、3D肝セグメンテーション、肝減衰測定、肝脂肪症検出からなる。 ディープラーニングセグメンテーションの平均係数は0.957。 普遍的な検出に採用されれば、このディープラーニングシステムは、早期に非侵襲的で非薬学的な予防的介入を可能にする可能性がある。
  論文  参考訳（メタデータ） (2022-10-27T03:24:52Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Dual-Attention Residual Network for Automatic Diagnosis of COVID-19 [6.941255691176647]
  我々は,他の一般的な肺炎患者や正常者から,CT画像を用いてCOVID-19を自動同定する新たな残留ネットワークを提案する。 この方法では、他の2つのクラスと94.7%の精度、93.73%の感度、98.28%の特異性、95.26%のF1スコア、および受信機動作特性曲線(AUC)の0.99の領域を区別することができる。
  論文  参考訳（メタデータ） (2021-05-14T11:59:47Z)
• An Explainable AI System for Automated COVID-19 Assessment and Lesion Categorization from CT-scans [8.694504007704994]
  SARS-CoV-2病原体による新型コロナウイルス感染症は、世界中で壊滅的なパンデミックである。 深層学習パラダイムに基づくAIを用いたパイプラインを提案し,CTスキャンによるCOVID-19検出と病変分類を自動化した。
  論文  参考訳（メタデータ） (2021-01-28T11:47:35Z)
• AIforCOVID: predicting the clinical outcomes in patients with COVID-19 applying AI to chest-X-rays. An Italian multicentre study [7.456548336226919]
  胸部X線(CXR)が集中治療や死亡などの重篤な結果の危険にさらされる患者の早期発見のための可能なツールとして使用できるかどうかを検討する。 CXRは、CT(Computed tomography)と比較して、より単純で、より速く、より広く、放射線線量を減らす放射線技術である。 2020年春にイタリアの6つの病院から820人の患者から収集されたデータを含むデータセットを提案する。
  論文  参考訳（メタデータ） (2020-12-11T18:03:08Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• A New Screening Method for COVID-19 based on Ocular Feature Recognition by Machine Learning Tools [66.20818586629278]
  コロナウイルス感染症2019(COVID-19)は、数百万人に影響している。 一般的なCCDやCMOSカメラで撮影された視線領域の画像を分析する新しいスクリーニング手法は、新型コロナウイルスの急激なリスクスクリーニングを確実に実現する可能性がある。
  論文  参考訳（メタデータ） (2020-09-04T00:50:27Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)

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。