論文の概要: Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning
- arxiv url: http://arxiv.org/abs/2005.11856v3
- Date: Tue, 30 Jun 2020 17:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 14:08:53.473776
- Title: Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning
- Title（参考訳）: 深層学習による胸部X線肺炎の重症度予測
- Authors: Joseph Paul Cohen and Lan Dao and Paul Morrison and Karsten Roth and
Yoshua Bengio and Beiyi Shen and Almas Abbasi and Mahsa Hoshmand-Kochi and
Marzyeh Ghassemi and Haifang Li and Tim Q Duong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 57.00601760750389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: The need to streamline patient management for COVID-19 has become
more pressing than ever. Chest X-rays provide a non-invasive (potentially
bedside) tool to monitor the progression of the disease. In this study, we
present a severity score prediction model for COVID-19 pneumonia for frontal
chest X-ray images. Such a tool can gauge severity of COVID-19 lung infections
(and pneumonia in general) that can be used for escalation or de-escalation of
care as well as monitoring treatment efficacy, especially in the ICU.
Methods: Images from a public COVID-19 database were scored retrospectively
by three blinded experts in terms of the extent of lung involvement as well as
the degree of opacity. A neural network model that was pre-trained on large
(non-COVID-19) chest X-ray datasets is used to construct features for COVID-19
images which are predictive for our task.
Results: This study finds that training a regression model on a subset of the
outputs from an this pre-trained chest X-ray model predicts our geographic
extent score (range 0-8) with 1.14 mean absolute error (MAE) and our lung
opacity score (range 0-6) with 0.78 MAE.
Conclusions: These results indicate that our model's ability to gauge
severity of COVID-19 lung infections could be used for escalation or
de-escalation of care as well as monitoring treatment efficacy, especially in
the intensive care unit (ICU). A proper clinical trial is needed to evaluate
efficacy. To enable this we make our code, labels, and data available online at
https://github.com/mlmed/torchxrayvision/tree/master/scripts/covid-severity and
https://github.com/ieee8023/covid-chestxray-dataset
- Abstract（参考訳）: 目的:新型コロナウイルスの患者管理を合理化する必要性がこれまで以上に強まっている。
胸部X線は、病気の進行を監視する非侵襲的(潜在的にベッドサイド)ツールを提供する。
本研究では,前頭部胸部X線画像に対する新型コロナウイルス肺炎の重症度予測モデルを提案する。
このようなツールは、特にicuにおける治療効果の監視だけでなく、治療のエスカレーションや脱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(および一般的に肺炎)の重症度を測定することができる。
方法: パブリックなCOVID-19データベースの画像は、3人の盲目の専門家によって、肺への関与の程度と不透明度の観点から振り返って測定された。
大規模な(非共生型)胸部x線データセットで事前トレーニングされたニューラルネットワークモデルは、私たちのタスクを予測できる新型コロナウイルスの画像の機能を構築するために使用されます。
結果】この前訓練された胸部x線モデルからの出力のサブセットに対する回帰モデルのトレーニングは,1.14平均絶対誤差 (mae) と0.78 mae の肺不透明度スコア (range 0-6) の地理的拡張スコア (range 0-8) を予測した。
結論: これらの結果から, 集中治療室(ICU)における治療効果の監視だけでなく, 治療のエスカレーションや非エスカレーションにも, 重症度を計測できるモデルが有用であることが示唆された。
有効性を評価するには適切な臨床試験が必要である。
これを実現するため、コード、ラベル、データをhttps://github.com/mlmed/torchxrayvision/tree/master/scripts/covid-severity and https://github.com/ieee8023/covid-chestxray-datasetでオンラインで公開しています。
関連論文リスト
- Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳（メタデータ） (2023-10-09T18:38:49Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Pinball-OCSVM for early-stage COVID-19 diagnosis with limited
posteroanterior chest X-ray images [3.4935179780034247]
本研究は、新型コロナウイルス陽性のCXRサンプルを限定した状態で動作可能な、ピンボール損失関数に基づく1クラスサポートベクターマシン(PB-OCSVM)を提案する。
提案モデルの性能は従来のOCSVMや既存のディープラーニングモデルと比較し,実験結果から,提案モデルが最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-10-16T02:34:15Z) - RANDGAN: Randomized Generative Adversarial Network for Detection of
COVID-19 in Chest X-ray [0.0]
新型コロナウイルス(COVID-19)が世界中に広がる中で、医療機関は患者を診断し、必要な頻度で検査する能力を失っている。
研究は、胸部X線でウイルス性細菌性肺炎から新型コロナウイルスを検出できる有望な結果を示している。
本研究では,ラベルやトレーニングデータを必要とせず,未知のクラス(COVID-19)の画像を検出するランダム化生成敵ネットワーク(RANDGAN)を提案する。
論文 参考訳（メタデータ） (2020-10-06T15:58:09Z) - 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) - Multi-Channel Transfer Learning of Chest X-ray Images for Screening of
COVID-19 [6.221369419104751]
現在、新型コロナウイルス患者をスクリーニングするための金本位試験はポリメラーゼ連鎖反応試験である。
代替として、胸部X線は迅速なスクリーニングのために検討されている。
本稿では、新型コロナウイルスの胸部X線診断を容易にするために、ResNetアーキテクチャに基づくマルチチャネルトランスファー学習モデルを提案する。
論文 参考訳（メタデータ） (2020-05-12T07:03:46Z) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z) - CoroNet: A deep neural network for detection and diagnosis of COVID-19
from chest x-ray images [0.0]
CoroNetは、胸部X線画像からCOVID-19感染を自動的に検出するDeep Conceptional Neural Networkモデルである。
提案したモデルは全体の89.6%の精度を達成し、新型コロナウイルス患者の精度とリコール率は93%と98.2%である。
論文 参考訳（メタデータ） (2020-04-10T07:46:07Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。