論文の概要: A Real-World Demonstration of Machine Learning Generalizability:
Intracranial Hemorrhage Detection on Head CT
- arxiv url: http://arxiv.org/abs/2102.04869v1
- Date: Tue, 9 Feb 2021 15:05:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-10 14:49:27.059776
- Title: A Real-World Demonstration of Machine Learning Generalizability:
Intracranial Hemorrhage Detection on Head CT
- Title（参考訳）: 機械学習の一般性の実世界実証:頭部CTにおける頭蓋内出血検出
- Authors: Hojjat Salehinejad, Jumpei Kitamura, Noah Ditkofsky, Amy Lin, Aditya
Bharatha, Suradech Suthiphosuwan, Hui-Ming Lin, Jefferson R. Wilson, Muhammad
Mamdani, and Errol Colak
- Abstract要約: 本研究の目的は,医療画像においてMLモデルの一般化性が達成可能であることを示すことである。
MLモデルは、RSNA頭蓋内出血CTデータセットから21,784個のスキャンを用いて訓練された。
外的検証では、AUCは95.4%、感度は91.3%、特異度は94.1%であった。
- 参考スコア（独自算出の注目度）: 5.517017976008718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning (ML) holds great promise in transforming healthcare. While
published studies have shown the utility of ML models in interpreting medical
imaging examinations, these are often evaluated under laboratory settings. The
importance of real world evaluation is best illustrated by case studies that
have documented successes and failures in the translation of these models into
clinical environments. A key prerequisite for the clinical adoption of these
technologies is demonstrating generalizable ML model performance under real
world circumstances. The purpose of this study was to demonstrate that ML model
generalizability is achievable in medical imaging with the detection of
intracranial hemorrhage (ICH) on non-contrast computed tomography (CT) scans
serving as the use case. An ML model was trained using 21,784 scans from the
RSNA Intracranial Hemorrhage CT dataset while generalizability was evaluated
using an external validation dataset obtained from our busy trauma and
neurosurgical center. This real world external validation dataset consisted of
every unenhanced head CT scan (n = 5,965) performed in our emergency department
in 2019 without exclusion. The model demonstrated an AUC of 98.4%, sensitivity
of 98.8%, and specificity of 98.0%, on the test dataset. On external
validation, the model demonstrated an AUC of 95.4%, sensitivity of 91.3%, and
specificity of 94.1%. Evaluating the ML model using a real world external
validation dataset that is temporally and geographically distinct from the
training dataset indicates that ML generalizability is achievable in medical
imaging applications.
- Abstract（参考訳）: 機械学習(ML)は、ヘルスケアを変革する大きな約束を持っています。
医学画像検査の解釈におけるMLモデルの有用性は公表されているが、しばしば実験室で評価される。
実世界評価の重要性は、これらのモデルの臨床環境への翻訳の成功と失敗を文書化したケーススタディによって最もよく示される。
これらの技術の臨床導入のための重要な前提条件は、現実世界の状況下で一般化可能なMLモデルのパフォーマンスを示すことである。
本研究の目的は,非コントラストCTスキャンを用いて頭蓋内出血(ICH)を検出することで,医療画像のMLモデルの一般化が可能であることを実証することである。
21,784回のRSNA頭蓋内出血CTデータを用いてMLモデルを訓練し, 当院の重度外傷と神経外科センターから得られた外的評価データセットを用いて一般化性を評価した。
この実世界の外部バリデーションデータセットは,2019年に当科で実施した全頭部ctスキャン(n = 5,965)を除外することなく実施した。
このモデルでは、AUCは98.4%、感度は98.8%、特異度は98.0%であった。
外部検証では、AUCは95.4%、感度は91.3%、特異性は94.1%であった。
トレーニングデータセットと時間的・地理的に異なる実世界の外部検証データセットを用いてMLモデルを評価することは、医療画像応用においてMLの一般化性が達成可能であることを示す。
関連論文リスト
- Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical
Images Using YOLOv8 and DeiT [1.1510009152620668]
本研究は,脳腫瘍の診断・分類に深層学習(DL)技術を活用することでこの問題に対処する。
NBML(National Brain Mapping Lab)は、30の腫瘍患者と51の正常患者を含む81の患者を対象とする。
このアプローチは、信頼できる腫瘍の検出と分類において有望な進歩を示し、現実の医療画像シナリオにおける腫瘍診断の潜在的な進歩を提供する。
論文 参考訳（メタデータ） (2024-01-06T20:53:02Z) - Performance of externally validated machine learning models based on
histopathology images for the diagnosis, classification, prognosis, or
treatment outcome prediction in female breast cancer: A systematic review [0.5792122879054292]
女性乳癌の診断、分類、予後、治療結果予測のための外部検証された機械学習モデル。
診断用MLモデル3例,分類用4例,予後用2例,予後用1例について検討した。
ほとんどの研究では畳み込みニューラルネットワークとロジスティック回帰アルゴリズムが使用されている。
論文 参考訳（メタデータ） (2023-12-09T18:27:56Z) - Mixed-Integer Projections for Automated Data Correction of EMRs Improve
Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。
我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。
AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
論文 参考訳（メタデータ） (2023-08-21T15:14:49Z) - Dissecting Self-Supervised Learning Methods for Surgical Computer Vision [51.370873913181605]
一般のコンピュータビジョンコミュニティでは,自己監視学習(SSL)手法が普及し始めている。
医学や手術など、より複雑で影響力のある領域におけるSSLメソッドの有効性は、限定的かつ未調査のままである。
外科的文脈理解,位相認識,ツール存在検出の2つの基本的なタスクに対して,これらの手法の性能をColec80データセット上で広範囲に解析する。
論文 参考訳（メタデータ） (2022-07-01T14:17:11Z) - Translating automated brain tumour phenotyping to clinical neuroimaging [0.4199844472131921]
我々は、自動腫瘍分割モデルの比較忠実度を定量化するために最先端の手法を用いる。
深層学習セグメンテーションモデルは、データ不足時に腫瘍をうまく特徴づけ、コントラストを使わずに拡張組織を検出できる。
論文 参考訳（メタデータ） (2022-06-13T12:58:54Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Virtual vs. Reality: External Validation of COVID-19 Classifiers using
XCAT Phantoms for Chest Computed Tomography [2.924350993741562]
CVIT-COVIDデータセットを作成し、シミュレーションされたCOVID-19および正常ファントムモデルからの180個の仮想画像計算断層撮影(CT)画像を作成した。
ウォータールー大学のオープンソース深層学習モデルの性能を多施設データを用いて評価した。
我々は,305枚のCT画像のオープンな臨床データに対して,実際の臨床データと仮想的な臨床データのパフォーマンスを比較検討した。
論文 参考訳（メタデータ） (2022-03-07T00:11:53Z) - 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) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - 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)
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。