論文の概要: Medical Imaging and Machine Learning
- arxiv url: http://arxiv.org/abs/2103.01938v1
- Date: Tue, 2 Mar 2021 18:53:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 16:53:01.764033
- Title: Medical Imaging and Machine Learning
- Title（参考訳）: 医用イメージングと機械学習
- Authors: Rohan Shad, John P. Cunningham, Euan A. Ashley, Curtis P. Langlotz,
William Hiesinger
- Abstract要約: 2018年に国立衛生研究所は、医療画像における人工知能の未来における重要な焦点領域を特定した。
データ可用性、新しいコンピューティングアーキテクチャと説明可能なAIアルゴリズムの必要性は、いまだに関係している。
本稿では,高次元臨床画像データに特有の課題について考察するとともに,技術的・倫理的考察を紹介する。
- 参考スコア（独自算出の注目度）: 16.240472115235253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Advances in computing power, deep learning architectures, and expert labelled
datasets have spurred the development of medical imaging artificial
intelligence systems that rival clinical experts in a variety of scenarios. The
National Institutes of Health in 2018 identified key focus areas for the future
of artificial intelligence in medical imaging, creating a foundational roadmap
for research in image acquisition, algorithms, data standardization, and
translatable clinical decision support systems. Among the key issues raised in
the report: data availability, need for novel computing architectures and
explainable AI algorithms, are still relevant despite the tremendous progress
made over the past few years alone. Furthermore, translational goals of data
sharing, validation of performance for regulatory approval, generalizability
and mitigation of unintended bias must be accounted for early in the
development process. In this perspective paper we explore challenges unique to
high dimensional clinical imaging data, in addition to highlighting some of the
technical and ethical considerations in developing high-dimensional,
multi-modality, machine learning systems for clinical decision support.
- Abstract（参考訳）: 計算能力、ディープラーニングアーキテクチャ、およびエキスパートラベル付きデータセットの進歩は、様々なシナリオで臨床専門家に匹敵する医療画像人工知能システムの開発を促した。
2018年に国立衛生研究所は、画像取得、アルゴリズム、データ標準化、および翻訳可能な臨床決定支援システムの研究の基礎的ロードマップを作成し、医療画像における人工知能の未来のための重要な焦点領域を特定しました。
データ可用性、新しいコンピューティングアーキテクチャの必要性、そして説明可能なAIアルゴリズムは、過去数年間だけで非常に進歩したにもかかわらず、依然として関係がある。
さらに、データ共有の翻訳目標、規制承認のためのパフォーマンスの検証、意図しないバイアスの一般化と緩和は、開発プロセスの初期段階において考慮する必要がある。
本稿では,高次元臨床画像データに特有の課題について考察するとともに,高次元マルチモダリティ・機械学習システムの開発における技術的・倫理的考察を強調する。
関連論文リスト
- Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。
本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。
その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - Artificial intelligence techniques in inherited retinal diseases: A review [19.107474958408847]
遺伝性網膜疾患(英: InheritedRetinal disease、IRD)は、進行性視力低下を引き起こす多様な遺伝性疾患群であり、労働年齢層の視覚障害の主要な原因である。
人工知能(AI)の最近の進歩は、これらの課題に対する有望な解決策を提供する。
このレビューは既存の研究を統合し、ギャップを特定し、IRDの診断と管理におけるAIの可能性の概要を提供する。
論文 参考訳（メタデータ） (2024-10-10T03:14:51Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - Practical Applications of Advanced Cloud Services and Generative AI Systems in Medical Image Analysis [17.4235794108467]
本稿では、医用画像における生成AIの変換可能性について考察し、合成ACM-2データを生成する能力を強調した。
データセットのサイズと多様性の制限に対処することにより、これらのモデルはより正確な診断と患者の結果の改善に寄与する。
論文 参考訳（メタデータ） (2024-03-26T09:55:49Z) - Responsible Deep Learning for Software as a Medical Device [0.0]
このワークショップ論文の拡張版は、2022年IEEE 19th International Symposium on Biomedical Imagingの特別セッションで発表された。
カリフォルニア大学教授による機械学習と臨床研究の戦略と機会を説明する。
皮膚(RGB)、組織生検(デジタル病理)、肺および腎臓(磁気共鳴、X線、CT)のAI/MLモデルの性能評価について検討した。
論文 参考訳（メタデータ） (2023-12-20T18:12:07Z) - A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。
新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
論文 参考訳（メタデータ） (2022-12-06T05:30:22Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - Computer-Assisted Analysis of Biomedical Images [1.0116577992023341]
本論文は, バイオメディカル画像解析のための新しい, 先進的なコンピュータ支援手法を提案することを目的とする。
これらの研究の最終的な目標は、臨床および生物学的に有用な知見を得て、鑑別診断と治療を導くことである。
論文 参考訳（メタデータ） (2021-06-04T21:59:48Z) - Recent advances and clinical applications of deep learning in medical
image analysis [7.132678647070632]
我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。
特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
論文 参考訳（メタデータ） (2021-05-27T18:05:12Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳（メタデータ） (2020-10-07T08:36:44Z)
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。