論文の概要: A clinical validation of VinDr-CXR, an AI system for detecting abnormal
chest radiographs
- arxiv url: http://arxiv.org/abs/2104.02256v2
- Date: Wed, 7 Apr 2021 02:22:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 03:38:54.507703
- Title: A clinical validation of VinDr-CXR, an AI system for detecting abnormal
chest radiographs
- Title(参考訳): 異常胸部X線写真検出のためのAIシステムVinDr-CXRの臨床的検討
- Authors: Ngoc Huy Nguyen, Ha Quy Nguyen, Nghia Trung Nguyen, Thang Viet Nguyen,
Hieu Huy Pham, Tuan Ngoc-Minh Nguyen
- Abstract要約: X線スキャンで異常を検出するためのAIベースのシステムを検証するメカニズムを実証する。
このシステムは、胸部X線上の異常を検出するためのF1スコア(リコールのハーモニック平均と精度-0.653 CI 0.635, 0.671)を達成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer-Aided Diagnosis (CAD) systems for chest radiographs using artificial
intelligence (AI) have recently shown a great potential as a second opinion for
radiologists. The performances of such systems, however, were mostly evaluated
on a fixed dataset in a retrospective manner and, thus, far from the real
performances in clinical practice. In this work, we demonstrate a mechanism for
validating an AI-based system for detecting abnormalities on X-ray scans,
VinDr-CXR, at the Phu Tho General Hospital - a provincial hospital in the North
of Vietnam. The AI system was directly integrated into the Picture Archiving
and Communication System (PACS) of the hospital after being trained on a fixed
annotated dataset from other sources. The performance of the system was
prospectively measured by matching and comparing the AI results with the
radiology reports of 6,285 chest X-ray examinations extracted from the Hospital
Information System (HIS) over the last two months of 2020. The normal/abnormal
status of a radiology report was determined by a set of rules and served as the
ground truth. Our system achieves an F1 score - the harmonic average of the
recall and the precision - of 0.653 (95% CI 0.635, 0.671) for detecting any
abnormalities on chest X-rays. Despite a significant drop from the in-lab
performance, this result establishes a high level of confidence in applying
such a system in real-life situations.
- Abstract(参考訳): 人工知能(AI)を用いた胸部X線写真診断システム(CAD)は,最近,放射線学者にとって第2の意見として大きな可能性を示している。
しかしながら,これらのシステムの性能は,概ねふりかえりの方法で固定データセット上で評価され,臨床における実際のパフォーマンスとは程遠いものであった。
本研究は,ベトナム北部の州立病院であるPhu Tho General Hospitalにおいて,X線スキャンVinDr-CXRの異常を検出するためのAIベースのシステムを検証するメカニズムを実証した。
AIシステムは、他のソースからの固定アノテーション付きデータセットでトレーニングされた後、病院のPicture Archiving and Communication System(PACS)に直接統合された。
病院情報システム(HIS)から抽出した6,285個の胸部X線検査を2020年の最後の2カ月間,AIの結果と照合し比較することにより,システムの性能を前向きに測定した。
放射線学報告の正常/異常状態は一連の規則によって決定され、根拠となる真実として機能した。
胸部X線異常検出のためのF1スコア(リコールと精度の調和平均値)は0.653(95% CI 0.635, 0.671)である。
インラボのパフォーマンスが大幅に低下したにもかかわらず、この結果、実生活でのシステムの適用に対する高いレベルの信頼性が確立される。
関連論文リスト
- Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。
私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
論文 参考訳(メタデータ) (2023-12-26T18:20:48Z) - 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) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳(メタデータ) (2023-07-06T08:27:48Z) - Artificial Intelligence System for Detection and Screening of Cardiac
Abnormalities using Electrocardiogram Images [17.625471536027693]
本稿では,実際の心電図画像から心疾患(CA)を検出し,スクリーニングするAIシステムを提案する。
このシステムは、世界中の複数の地域および人口から52,357人の患者の大規模なデータセットで評価された。
本研究は,CA検出およびスクリーニングのための精度,客観的,使いやすさ,高速,低コストなAIシステムの実現可能性を示す。
論文 参考訳(メタデータ) (2023-02-10T10:54:33Z) - minoHealth.ai: A Clinical Evaluation Of Deep Learning Systems For the
Diagnosis of Pleural Effusion and Cardiomegaly In Ghana, Vietnam and the
United States of America [0.0]
我々は、私のminoHealth AI Labsを開発したminoHealth.aiシステムが、心内膜および胸膜灌流の診断において、いかにうまく機能するかを評価する。
ガーナ、ベトナム、米国からの胸部X線、そしてガーナで働く放射線学者と比べて、AIシステムがいかにうまく機能するか。
MinoHealth.aiはAUC-ROCが0.9と0.97であり、AUC-ROCは0.77から0.86であった。
論文 参考訳(メタデータ) (2022-10-31T20:12:41Z) - An Accurate and Explainable Deep Learning System Improves Interobserver
Agreement in the Interpretation of Chest Radiograph [0.33598755777055367]
VinDr-CXRは、CXRスキャンを複数の胸腺疾患に分類し、画像上の重要な発見のほとんどをローカライズすることができる。
提案システムにより,Fleiss' Kappa平均の1.5%の増加により,放射線学者間の合意が大幅に改善された。
論文 参考訳(メタデータ) (2022-08-06T17:03:49Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - 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) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Deep Learning for Distinguishing Normal versus Abnormal Chest
Radiographs and Generalization to Unseen Diseases [7.93382570661604]
我々は,CXRを正常または異常と分類するAIシステムを開発し,評価した。
以上の結果から,AIシステムは新たな患者数と異常に一般化することが示唆された。
論文 参考訳(メタデータ) (2020-10-22T01:52:51Z) - Automated Radiological Report Generation For Chest X-Rays With
Weakly-Supervised End-to-End Deep Learning [17.315387269810426]
我々は12,000以上のCXRスキャンと放射線学的レポートを含むデータベースを構築した。
我々は,深層畳み込みニューラルネットワークとアテンション機構を持つリカレントネットワークに基づくモデルを開発した。
このモデルは、与えられたスキャンを自動的に認識し、レポートを生成する。
論文 参考訳(メタデータ) (2020-06-18T08:12:54Z)
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。