論文の概要: A Multisite, Report-Based, Centralized Infrastructure for Feedback and
Monitoring of Radiology AI/ML Development and Clinical Deployment
- arxiv url: http://arxiv.org/abs/2008.13781v1
- Date: Mon, 31 Aug 2020 17:59:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 06:25:33.661779
- Title: A Multisite, Report-Based, Centralized Infrastructure for Feedback and
Monitoring of Radiology AI/ML Development and Clinical Deployment
- Title(参考訳): 放射線学AI/ML開発と臨床展開のフィードバックとモニタリングのための多施設・レポートベース・集中型インフラ
- Authors: Menashe Benjamin, Guy Engelhard, Alex Aisen, Yinon Aradi, Elad
Benjamin
- Abstract要約: インタラクティブな放射線学報告手法は、画像の視聴、予測、自然言語処理(NLP)、および画像発見とレポート間のハイパーリンクの生成を統合する。
これらのイメージとラベルは、クラウドベースのシステムでキャプチャして集中することができる。
本手法は, 市販後監視および外部データに対する規制要件に対処する。
- 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: An infrastructure for multisite, geographically-distributed creation and
collection of diverse, high-quality, curated and labeled radiology image data
is crucial for the successful automated development, deployment, monitoring and
continuous improvement of Artificial Intelligence (AI)/Machine Learning (ML)
solutions in the real world. An interactive radiology reporting approach that
integrates image viewing, dictation, natural language processing (NLP) and
creation of hyperlinks between image findings and the report, provides
localized labels during routine interpretation. These images and labels can be
captured and centralized in a cloud-based system. This method provides a
practical and efficient mechanism with which to monitor algorithm performance.
It also supplies feedback for iterative development and quality improvement of
new and existing algorithmic models. Both feedback and monitoring are achieved
without burdening the radiologist. The method addresses proposed regulatory
requirements for post-marketing surveillance and external data. Comprehensive
multi-site data collection assists in reducing bias. Resource requirements are
greatly reduced compared to dedicated retrospective expert labeling.
- Abstract(参考訳): 人工知能(AI)/機械学習(ML)ソリューションの自動開発、デプロイ、監視、継続的な改善を成功させるためには、多地点で地理的に分散した多地点で高品質な画像の作成と収集のためのインフラが不可欠である。
画像閲覧, 予測, 自然言語処理(NLP)と画像発見とレポート間のハイパーリンクの生成を統合した, インタラクティブなラジオロジーレポート手法は, 日常的な解釈において, 局所的なラベルを提供する。
これらのイメージとラベルは、クラウドベースのシステムでキャプチャと集中化が可能である。
この手法は、アルゴリズムの性能をモニタする実用的かつ効率的なメカニズムを提供する。
また、新しいアルゴリズムモデルと既存のアルゴリズムモデルの反復的な開発と品質改善のためのフィードバックも提供する。
放射線技師を負担することなくフィードバックとモニタリングが達成される。
本手法は,市販後監視および外部データに対する規制要件に対処する。
総合的なマルチサイトデータ収集はバイアスを減らすのに役立つ。
リソース要件は、専用のレトロスペクティブ専門家のラベル付けに比べて大幅に削減されます。
関連論文リスト
- Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳(メタデータ) (2023-11-18T14:52:26Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳(メタデータ) (2023-03-30T18:20:00Z) - ScoreNet: Learning Non-Uniform Attention and Augmentation for
Transformer-Based Histopathological Image Classification [11.680355561258427]
高解像度画像はデジタル病理の進歩を妨げる。
パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。
本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。
局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
論文 参考訳(メタデータ) (2022-02-15T16:55:09Z) - Generalized Radiograph Representation Learning via Cross-supervision
between Images and Free-text Radiology Reports [40.42674870179363]
事前学習は、深層学習に支えられたラジオグラフィ解析における最近の成功の基礎を成している。
本稿では,Reviewing FreE-text Reports for Supervision (REFERS) という相互監督手法を提案する。
REFERSは、非常に限られた監督の下で、4つのよく知られたX線データセット上で、トランスファーラーニングと自己教師付き学習よりも優れています。
論文 参考訳(メタデータ) (2021-11-04T14:28:22Z) - 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) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2021-05-17T10:11:45Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
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。