論文の概要: Deep learning for detecting pulmonary tuberculosis via chest radiography: an international study across 10 countries

• arxiv url: http://arxiv.org/abs/2105.07540v1
• Date: Sun, 16 May 2021 22:56:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-05-18 15:00:55.487233
• Title: Deep learning for detecting pulmonary tuberculosis via chest radiography: an international study across 10 countries
• Title（参考訳）: 胸部X線撮影による肺結核検出のための深層学習 : 10カ国にわたる国際的研究
• Abstract要約: WHOはTB検診に胸部X線撮影(CXRs)を推奨しているが、CXRの解釈は限られている。 深層学習システム(DLS)を用いて,アフリカ,アジア,ヨーロッパ9カ国の肺TBのアクティブな検出を行った。
• 参考スコア（独自算出の注目度）: 4.97140606123333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tuberculosis (TB) is a top-10 cause of death worldwide. Though the WHO recommends chest radiographs (CXRs) for TB screening, the limited availability of CXR interpretation is a barrier. We trained a deep learning system (DLS) to detect active pulmonary TB using CXRs from 9 countries across Africa, Asia, and Europe, and utilized large-scale CXR pretraining, attention pooling, and noisy student semi-supervised learning. Evaluation was on (1) a combined test set spanning China, India, US, and Zambia, and (2) an independent mining population in South Africa. Given WHO targets of 90% sensitivity and 70% specificity, the DLS's operating point was prespecified to favor sensitivity over specificity. On the combined test set, the DLS's ROC curve was above all 9 India-based radiologists, with an AUC of 0.90 (95%CI 0.87-0.92). The DLS's sensitivity (88%) was higher than the India-based radiologists (75% mean sensitivity), p<0.001 for superiority; and its specificity (79%) was non-inferior to the radiologists (84% mean specificity), p=0.004. Similar trends were observed within HIV positive and sputum smear positive sub-groups, and in the South Africa test set. We found that 5 US-based radiologists (where TB isn't endemic) were more sensitive and less specific than the India-based radiologists (where TB is endemic). The DLS also remained non-inferior to the US-based radiologists. In simulations, using the DLS as a prioritization tool for confirmatory testing reduced the cost per positive case detected by 40-80% compared to using confirmatory testing alone. To conclude, our DLS generalized to 5 countries, and merits prospective evaluation to assist cost-effective screening efforts in radiologist-limited settings. Operating point flexibility may permit customization of the DLS to account for site-specific factors such as TB prevalence, demographics, clinical resources, and customary practice patterns.
• Abstract（参考訳）: 結核(tb)は世界トップ10の死因である。 WHOはTB検診に胸部X線撮影(CXR)を推奨しているが、CXR解釈の限界は障壁である。 我々は,アフリカ,アジア,ヨーロッパ9カ国のCXRを用いて,アクティブ肺TBを検出するための深層学習システム(DLS)を訓練し,大規模CXRプレトレーニング,アテンションプール,ノイズの多い学生半教師あり学習を利用した。 1)中国,インド,米国,ザンビアにまたがる総合試験と,(2)南アフリカの独立した鉱業人口に関する評価を行った。 WHOの目標の90%の感度と70%の特異性を考慮し、DLSの運用ポイントは特異性よりも感度を優先するように予め規定された。 総合的なテストセットでは、DLSのROC曲線は9人のインド在住の放射線学者を上回り、AUCは95%CI 0.87-0.92である。 dlsの感度 (88%) は, インド系放射線科医 (75%平均感度), p<0.001よりも高く, 特異度 (79%) は放射線科医 (84%平均特異度), p=0.004。 同様の傾向はhiv陽性群とsputum smear positive sub-groups、南アフリカ試験群で見られた。 5人の米国系放射線科医(TBは内因性ではない)がインド系放射線科医(TBは内因性である)よりも敏感で特異ではないことがわかった。 dlsは米国に本拠を置く放射線科医にも不服従のままであった。 シミュレーションでは, DLSを確認試験の優先順位付けツールとして使用することにより, 確認試験単独の使用と比較して40～80%の陽性症例当たりのコストを低減した。 結論として, DLSは5か国に一般化し, 放射線技師限定環境での費用対効果スクリーニングの取り組みを支援するため, 将来的な評価が期待できる。 運用点の柔軟性により、DLSのカスタマイズは、TBの有病率、人口統計、臨床資源、慣習的な実践パターンなどのサイト固有の要因を考慮できる。

関連論文リスト

• From Classification to Localization and Clinical Validation: Large-Scale Development of a Deep Learning System for Thoracic Disease Detection on Chest Radiographs in Thailand [0.0]
  このモデルは、874,858個の胸部X線写真と、バンコクのシラジ病院からの2つの放射線学者の報告に基づいて開発された。 AUROCの平均値は0.994(平均感度92.4%、特異度98.6%)で、9つの臨床的に重要な条件で達成された。 4,549例のX線検査では, 平均病変局在率(LLF)は77.9%, 非病変局在率0.59であった。
  論文  参考訳（メタデータ） (2026-07-10T11:36:50Z)
• Automated detection of pediatric congenital heart disease from phonocardiograms using deep and handcrafted feature fusion [7.150060950962671]
  先天性心疾患(英語版) (CHD) は、世界で最も一般的な出生障害であり、世界中の生児の約1%に影響を及ぼす。 本稿では,CHDの検出のためのデジタル聴診器,デジタル聴診器を提案する。 提案手法は,CHDの自動早期検出のための深部・手技的特徴を統合した深部特徴融合に基づく。
  論文  参考訳（メタデータ） (2026-04-15T00:31:44Z)
• Fairness Evaluation of Risk Estimation Models for Lung Cancer Screening [0.6974609493696966]
  肺がん検診における2つの深層学習リスク推定モデルにおいて,潜在的な性能格差と公平性を評価する。 NLST(National Lung Screening Trial)のデータに基づいて、モデルが訓練された。 統計学的に有意なAUROC差は,女性(0.88, 95% CI: 0.86, 0.90)と男性(0.81, 95% CI: 0.78, 0.84, p .001)にみられた。 90%の特異性で、Venkadesh21は黒人(0.39, 95% CI: 0.23, 0.59)の感度を白人(0.69, 95% CI: 0.65)よりも低い値を示した。
  論文  参考訳（メタデータ） (2025-12-23T19:57:21Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• Empowering Tuberculosis Screening with Explainable Self-Supervised Deep Neural Networks [66.59360534642579]
  結核は、特に資源に制限された人口や遠隔地において、世界的な健康危機として存続している。 本研究では,結核症例検診に適した自己指導型自己学習ネットワークを提案する。 ネットワーク全体の精度は98.14%で、それぞれ95.72%と99.44%という高いリコール率と精度を示している。
  論文  参考訳（メタデータ） (2024-06-19T18:10:06Z)
• 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)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Class dependency based learning using Bi-LSTM coupled with the transfer learning of VGG16 for the diagnosis of Tuberculosis from chest x-rays [0.0]
  本稿では,後部胸部X線検査からTBの診断を自動で行う方法を提案する。 提案されたモデルは97.76%、97.01%、96.42%、94.11%の精度と感度を達成した。
  論文  参考訳（メタデータ） (2021-07-19T15:13:46Z)
• Deep Learning Methods for Screening Pulmonary Tuberculosis Using Chest X-rays [0.974672460306765]
  提案したディープラーニングパイプラインは,肺X線の生成,分画,分類を行う,最先端の3つのアーキテクチャの異なる状態で構成されている。 分類精度は97.1% (Youden's index-0.941, Sensitivity of 97.9%, specificity of 96.2%) となり,既存の文献と比較してかなり改善された。
  論文  参考訳（メタデータ） (2020-12-25T14:21:35Z)
• COVID-Net S: Towards computer-aided severity assessment via training and validation of deep neural networks for geographic extent and opacity extent scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
  胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。 本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
  論文  参考訳（メタデータ） (2020-05-26T16:33:52Z)
• Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease Dependencies and Uncertainty Labels [0.33598755777055367]
  本稿では,14の一般的な胸部疾患の存在と観察を診断するための,深部畳み込みニューラルネットワーク(CNN)に基づく枠組みを提案する。 提案手法はCheXpertコンペティションのinde-pendentテストセット上でも評価され, 経験者5名によるアパネルでアノテートされた500個のCXR研究が含まれている。
  論文  参考訳（メタデータ） (2020-05-25T11:07:53Z)
• Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
  胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。 特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。 我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
  論文  参考訳（メタデータ） (2020-05-06T09:56:51Z)
• JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation [95.57532063232198]
  新型コロナウイルス感染症2019(COVID-19)は、200カ国以上でパンデミックの流行を引き起こしている。 感染を制御するためには、感染した人々を識別し、分離することが最も重要なステップである。 本稿では,新型コロナウイルスの胸部CT診断をリアルタイムかつ説明可能な,新しい関節分類システム(JCS)を開発した。
  論文  参考訳（メタデータ） (2020-04-15T12:30:40Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。