論文の概要: A Standardized Radiograph-Agnostic Framework and Platform For Evaluating
AI Radiological Systems
- arxiv url: http://arxiv.org/abs/2008.07276v1
- Date: Mon, 3 Aug 2020 02:09:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-07 06:28:23.411911
- Title: A Standardized Radiograph-Agnostic Framework and Platform For Evaluating
AI Radiological Systems
- Title(参考訳): AIラジオロジカルシステム評価のための標準化されたラジオグラフ非依存フレームワークとプラットフォーム
- Authors: Darlington Ahiale Akogo
- Abstract要約: 我々は、さまざまな地理的な場所、性別、年齢グループにまたがる一般化能力に基づいて、あらゆる人工知能の放射線学的解を評価できる、放射線グラフに依存しないプラットフォームとフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiology has been essential to accurately diagnosing diseases and assessing
responses to treatment. The challenge however lies in the shortage of
radiologists globally. As a response to this, a number of Artificial
Intelligence solutions are being developed. The challenge Artificial
Intelligence radiological solutions however face is the lack of a benchmarking
and evaluation standard, and the difficulties of collecting diverse data to
truly assess the ability of such systems to generalise and properly handle edge
cases. We are proposing a radiograph-agnostic platform and framework that would
allow any Artificial Intelligence radiological solution to be assessed on its
ability to generalise across diverse geographical location, gender and age
groups.
- Abstract(参考訳): 放射線学は、疾患を正確に診断し、治療に対する反応を評価するのに不可欠である。
しかし問題は、世界中の放射線技師の不足にある。
これに対応するために、多くの人工知能ソリューションが開発されている。
しかし、人工知能の放射線学的ソリューションが直面する課題は、ベンチマークと評価基準の欠如と、エッジケースを一般化し、適切に処理するシステムの能力を真に評価する多様なデータを収集することの難しさである。
我々は、あらゆる人工知能の放射線学的解決策を、地理的な場所、性別、年齢のグループにまたがって一般化する能力に基づいて評価できる、放射線グラフ非依存のプラットフォームとフレームワークを提案している。
関連論文リスト
- Consensus, dissensus and synergy between clinicians and specialist
foundation models in radiology report generation [32.26270073540666]
世界中の放射線技師の不足は専門家のケアへのアクセスを制限し、重労働を課している。
視覚言語モデルを用いた自動レポート生成の最近の進歩は、状況を改善するための明確な可能性を示唆している。
我々は、胸部X線写真のための最新のレポート生成システム、textitFlamingo-CXRを構築し、放射線学データに基づくよく知られた視覚言語基盤モデルを微調整する。
論文 参考訳(メタデータ) (2023-11-30T05:38:34Z) - ChatRadio-Valuer: A Chat Large Language Model for Generalizable
Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。
本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。
ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
論文 参考訳(メタデータ) (2023-10-08T17:23:17Z) - UniBrain: Universal Brain MRI Diagnosis with Hierarchical
Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。
具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文 参考訳(メタデータ) (2023-09-13T09:22:49Z) - Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。
MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2023-08-29T17:44:28Z) - Levels of Autonomous Radiology [0.0]
医療データを用いた人工知能(AI)アプリケーションの開発と採用は、放射線学の次のフェーズに繋がる。
アノテーションやレポートジェネレーションなどの面倒な手作業の自動化に加えて,評価ワークフローにおいて,放射線技師を支援するケースの放射線学的評価も実施する。
本稿では,放射線学における自動化の進展をレベルワイドに分類し,各レベルにおけるAI支援を課題と解決策で説明する。
論文 参考訳(メタデータ) (2021-12-14T10:41:56Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳(メタデータ) (2021-10-25T14:15:57Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳(メタデータ) (2021-06-08T10:38:09Z) - Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。
提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
論文 参考訳(メタデータ) (2020-04-29T15:02:41Z) - Computer-Aided Assessment of Catheters and Tubes on Radiographs: How
Good is Artificial Intelligence for Assessment? [2.256008196530956]
カテーテルは、ラジオグラフィーで2番目に多い異常発見である。
カテーテルが再配置された場合、深刻な合併症が発生するため、カテーテルの位置をすべてのラジオグラフで評価する必要がある。
コンピュータ支援のアプローチは、解釈のために誤配置されたカテーテルを用いた無線画像の優先順位付けを支援する可能性を秘めている。
論文 参考訳(メタデータ) (2020-02-09T18:12:40Z)
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。