論文の概要: A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays

• arxiv url: http://arxiv.org/abs/2008.08912v1
• Date: Wed, 19 Aug 2020 04:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 09:06:55.915734
• Title: A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays
• Title（参考訳）: 胸部X線による肺疾患検出のためのデータ効率のよい深層学習スマートフォンアプリケーション
• Authors: Hrithwik Shalu, Harikrishnan P, Akash Das, Megdut Mandal, Harshavardhan M Sali, Juned Kadiwala
• Abstract要約: アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。 スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a paradigm of smartphone application based disease diagnostics that may completely revolutionise the way healthcare services are being provided. Although primarily aimed to assist the problems in rendering the healthcare services during the coronavirus pandemic, the model can also be extended to identify the exact disease that the patient is caught with from a broad spectrum of pulmonary diseases. The app inputs Chest X-Ray images captured from the mobile camera which is then relayed to the AI architecture in a cloud platform, and diagnoses the disease with state of the art accuracy. Doctors with a smartphone can leverage the application to save the considerable time that standard COVID-19 tests take for preliminary diagnosis. The scarcity of training data and class imbalance issues were effectively tackled in our approach by the use of Data Augmentation Generative Adversarial Network (DAGAN) and model architecture based as a Convolutional Siamese Network with attention mechanism. The backend model was tested for robustness us-ing publicly available datasets under two different classification scenarios(Binary/Multiclass) with minimal and noisy data. The model achieved pinnacle testing accuracy of 99.30% and 98.40% on the two respective scenarios, making it completely reliable for its users. On top of that a semi-live training scenario was introduced, which helps improve the app performance over time as data accumulates. Overall, the problems of generalisability of complex models and data inefficiency is tackled through the model architecture. The app based setting with semi live training helps in ease of access to reliable healthcare in the society, as well as help ineffective research of rare diseases in a minimal data setting.
• Abstract（参考訳）: 本稿では,医療サービスの提供方法に革命をもたらす可能性のある,スマートフォンアプリケーションに基づく疾患診断のパラダイムを紹介する。 新型コロナウイルスの感染拡大で医療サービスに支障を来すのが主な目的だが、患者が幅広い範囲の肺疾患に罹患している正確な疾患を特定できるよう拡張することもできる。 モバイルアプリは、モバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャに中継し、その病気を最先端の最先端で診断する。 スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。 学習データの不足とクラス不均衡の問題は,データ拡張生成支援ネットワーク(DAGAN)と,注意機構を備えた畳み込みシームズネットワークを基盤としたモデルアーキテクチャを用いて,我々のアプローチに効果的に対処した。 バックエンドモデルは、最小限のデータとノイズの多い2つの異なる分類シナリオ(Binary/Multiclass)の下で、公開データセットの堅牢性をテストするためにテストされた。 このモデルは2つのシナリオで99.30%と98.40%の精度を達成し、ユーザーにとって完全に信頼された。 それに加えて、半生のトレーニングシナリオが導入され、データが蓄積されるにつれて、時間の経過とともにアプリのパフォーマンスが向上する。 全体として、複雑なモデルとデータ非効率の汎用性の問題は、モデルアーキテクチャを通して取り組まれます。 半ライブトレーニングによるアプリベースの設定は、社会における信頼できる医療へのアクセスを容易にし、最小限のデータ環境で希少な疾患の研究を効果的に行うのに役立つ。

関連論文リスト

• Revolutionizing Disease Diagnosis: A Microservices-Based Architecture for Privacy-Preserving and Efficient IoT Data Analytics Using Federated Learning [0.0]
  深層学習に基づく疾患診断の応用は、様々な疾患の段階での正確な診断に不可欠である。 処理リソースをデバイスに近づけることで、分散コンピューティングパラダイムは、病気の診断に革命をもたらす可能性がある。 本研究では、プライバシとパフォーマンス要件を満たすために、IoTデータ分析システムに対するフェデレーションベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-27T06:31:43Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• DeepMediX: A Deep Learning-Driven Resource-Efficient Medical Diagnosis Across the Spectrum [15.382184404673389]
  この作業では,この課題に大きく対処する,画期的な,リソース効率の高いモデルである textttDeepMediX が紹介されている。 MobileNetV2アーキテクチャ上に構築されたDeepMediXは、脳MRIスキャンと皮膚がん画像の分類に長けている。 DeepMediXの設計にはフェデレートラーニングの概念も含まれている。
  論文  参考訳（メタデータ） (2023-07-01T12:30:58Z)
• Deep Reinforcement Learning Framework for Thoracic Diseases Classification via Prior Knowledge Guidance [49.87607548975686]
  関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。 本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。 提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-06-02T01:46:31Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• FIT: a Fast and Accurate Framework for Solving Medical Inquiring and Diagnosing Tasks [10.687562550605739]
  自己診断(Self-diagnosis)は、患者をクエリーし、疾患の予測を行うエージェントを介して、低コストでアクセス可能な医療を提供する。 我々は、次に収集するデータを決定するために情報理論の報酬を使用するFITと呼ばれる競合フレームワークを提案する。 シミュレーションした2つのデータセットから、FITは大規模な検索空間問題に効果的に対処でき、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-12-02T10:12:49Z)
• A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records [0.5672132510411464]
  我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。 複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。 どちらのモデルも高い精度で複数の診断を同時に予測できる。
  論文  参考訳（メタデータ） (2020-06-23T14:58:58Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。