論文の概要: Towards Realization of Augmented Intelligence in Dermatology: Advances and Future Directions

• arxiv url: http://arxiv.org/abs/2105.10477v1
• Date: Fri, 21 May 2021 17:39:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:09:46.071145
• Title: Towards Realization of Augmented Intelligence in Dermatology: Advances and Future Directions
• Title（参考訳）: 皮膚科における拡張現実の実現に向けて : 進歩と今後の方向
• Authors: Roxana Daneshjou, Carrie Kovarik, and Justin M Ko
• Abstract要約: ディープラーニングを用いた人工知能(AI)アルゴリズムは皮膚疾患の画像の分類を進歩させた。 これらのアルゴリズムは、主に「シリコ」で適用され、臨床的に検証されていない。
• 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: Artificial intelligence (AI) algorithms using deep learning have advanced the classification of skin disease images; however these algorithms have been mostly applied "in silico" and not validated clinically. Most dermatology AI algorithms perform binary classification tasks (e.g. malignancy versus benign lesions), but this task is not representative of dermatologists' diagnostic range. The American Academy of Dermatology Task Force on Augmented Intelligence published a position statement emphasizing the importance of clinical validation to create human-computer synergy, termed augmented intelligence (AuI). Liu et al's recent paper, "A deep learning system for differential diagnosis of skin diseases" represents a significant advancement of AI in dermatology, bringing it closer to clinical impact. However, significant issues must be addressed before this algorithm can be integrated into clinical workflow. These issues include accurate and equitable model development, defining and assessing appropriate clinical outcomes, and real-world integration.
• Abstract（参考訳）: 深層学習を用いた人工知能(ai)アルゴリズムは皮膚疾患の画像の分類を進歩させたが、これらのアルゴリズムは主に「シリコ」で適用され、臨床的に検証されていない。 ほとんどの皮膚科AIアルゴリズムはバイナリ分類タスク(例)を実行する。 悪性と良性病変) しかし、この課題は皮膚科医の診断範囲を表すものではない。 American Academy of Dermatology Task Force on Augmented Intelligence は、人工知能(AuI)と呼ばれる人間とコンピュータのシナジーを作るための臨床的検証の重要性を強調する立場声明を発表した。 Liu et al の最近の論文 "A Deep Learning system for differential diagnosis of skin disease" は、皮膚科におけるAIの著しい進歩を示し、臨床効果に近づいた。 しかし、このアルゴリズムが臨床ワークフローに統合される前に、大きな問題に対処する必要がある。 これらの問題には、正確かつ公平なモデル開発、適切な臨床成果の定義と評価、現実世界の統合が含まれる。

関連論文リスト

• A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
  神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。 重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。 人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
  論文  参考訳（メタデータ） (2024-05-21T06:44:40Z)
• Dermacen Analytica: A Novel Methodology Integrating Multi-Modal Large Language Models with Machine Learning in tele-dermatology [1.999925939110439]
  我々は,皮膚病変やその他の皮膚疾患の診断プロセスを支援するために,人工知能を活用したシステムと手法を記述し,実装し,評価する。 提案手法は次世代の遠隔皮膚科アプリケーションの開発に有用であることが期待される。
  論文  参考訳（メタデータ） (2024-03-21T09:02:17Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• An Interpretable Deep Learning Approach for Skin Cancer Categorization [0.0]
  我々は、皮膚がん検出の問題に対処するために、現代のディープラーニング手法と説明可能な人工知能(XAI)アプローチを使用する。 皮膚病変の分類には,XceptionNet,EfficientNetV2S,InceptionResNetV2,EfficientNetV2Mの4つの最先端事前訓練モデルを用いる。 我々の研究は、ディープラーニングと説明可能な人工知能(XAI)が皮膚がんの診断をどのように改善するかを示している。
  論文  参考訳（メタデータ） (2023-12-17T12:11:38Z)
• Artificial Intelligence for Digital and Computational Pathology [8.255348228685682]
  組織スライドのデジタル化の進展と人工知能の急速な進歩は、計算病理学の分野を加速させた。 本総説では, クリニカルエンドポイントの予測手法の進歩を概説する。 これらの開発が臨床の自動化と新しいバイオマーカーの発見を可能にしている点を強調している。
  論文  参考訳（メタデータ） (2023-12-13T00:22:52Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• Medical Imaging and Machine Learning [16.240472115235253]
  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。
  論文  参考訳（メタデータ） (2021-03-02T18:53:39Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Achievements and Challenges in Explaining Deep Learning based Computer-Aided Diagnosis Systems [4.9449660544238085]
  我々は、既知の疾患基準の検証のための説明可能なAIの開発における初期の成果について論じる。 我々は、臨床意思決定支援ツールとしてのAIの実践的応用の道に立つ、残る課題をいくつか強調する。
  論文  参考訳（メタデータ） (2020-11-26T08:08:19Z)
• 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)

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。