論文の概要: Automatic Estimation of Ulcerative Colitis Severity from Endoscopy Videos using Ordinal Multi-Instance Learning

• arxiv url: http://arxiv.org/abs/2109.14685v1
• Date: Wed, 29 Sep 2021 19:42:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-02 09:16:28.230201
• Title: Automatic Estimation of Ulcerative Colitis Severity from Endoscopy Videos using Ordinal Multi-Instance Learning
• Title（参考訳）: ordinal multi-instance learning を用いた内視鏡映像からの潰瘍性大腸炎の重症度の自動推定
• Authors: Evan Schwab and Gabriela Oana Cula and Kristopher Standish and Stephen S. F. Yip and Aleksandar Stojmirovic and Louis Ghanem and Christel Chehoud
• Abstract要約: 潰瘍性大腸炎(Ulcerative colitis, UC)は、大腸の炎症を再発させることを特徴とする慢性炎症性腸疾患である。 UCの重症度は、内視鏡ビデオから粘膜疾患の活性を定量化するMayo Endoscopic Subscore (MES)によって表されることが多い。 本稿では,ビデオMESラベルのみからフレーム重大度を推定する,弱教師付き順序分類手法を提案する。
• 参考スコア（独自算出の注目度）: 50.591267188664666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ulcerative colitis (UC) is a chronic inflammatory bowel disease characterized by relapsing inflammation of the large intestine. The severity of UC is often represented by the Mayo Endoscopic Subscore (MES) which quantifies mucosal disease activity from endoscopy videos. In clinical trials, an endoscopy video is assigned an MES based upon the most severe disease activity observed in the video. For this reason, severe inflammation spread throughout the colon will receive the same MES as an otherwise healthy colon with severe inflammation restricted to a small, localized segment. Therefore, the extent of disease activity throughout the large intestine, and overall response to treatment, may not be completely captured by the MES. In this work, we aim to automatically estimate UC severity for each frame in an endoscopy video to provide a higher resolution assessment of disease activity throughout the colon. Because annotating severity at the frame-level is expensive, labor-intensive, and highly subjective, we propose a novel weakly supervised, ordinal classification method to estimate frame severity from video MES labels alone. Using clinical trial data, we first achieved 0.92 and 0.90 AUC for predicting mucosal healing and remission of UC, respectively. Then, for severity estimation, we demonstrate that our models achieve substantial Cohen's Kappa agreement with ground truth MES labels, comparable to the inter-rater agreement of expert clinicians. These findings indicate that our framework could serve as a foundation for novel clinical endpoints, based on a more localized scoring system, to better evaluate UC drug efficacy in clinical trials.
• Abstract（参考訳）: 潰瘍性大腸炎(英: ulcerative colitis、uc)は、大腸の炎症が再発する慢性炎症性腸疾患である。 UCの重症度は、内視鏡ビデオから粘膜疾患の活性を定量化するMayo Endoscopic Subscore (MES)によって表されることが多い。 臨床試験では、内視鏡ビデオがビデオで観察された最も重篤な疾患活動に基づいてmesを割り当てる。 このため、結腸全体に拡がる重度の炎症は、小さな局所的な領域に制限された重度の炎症を伴う健康な結腸と同じmesを受けることになる。 したがって、大腸全体にわたる疾患活動の程度と治療に対する全体的な反応は、MESによって完全に把握されない可能性がある。 そこで本研究では,内視鏡映像で各フレームのucの重症度を自動的に推定し,大腸全体の疾患活動の高分解能評価を行うことを目的としている。 フレームレベルでの重み付けは高価で、労働集約的で、主観的であるため、ビデオ mesラベルのみからフレームの重み付けを推定する新しい弱教師付き順序分類法を提案する。 臨床治験データを用いて粘膜治癒とUCの寛解を予測し,まず0.92AUCと0.90AUCを達成した。 そして,重度推定において,本モデルが基礎的真理MESラベルとのコーエンのカッパ合意を,専門医のラッター間合意と同等に達成できることを実証する。 これらの結果から,本フレームワークは,より局所的なスコアリングシステムに基づく新しい臨床エンドポイントの基盤となり,臨床試験におけるuc薬剤の有効性を良好に評価できる可能性が示唆された。

関連論文リスト

• Arges: Spatio-Temporal Transformer for Ulcerative Colitis Severity Assessment in Endoscopy Videos [2.0735422289416605]
  専門家のMES/UCEISアノテーションは時間を要するため、ラター間のばらつきに影響を受けやすい。 エンド・ツー・エンド(e2e)トレーニングを備えたCNNベースの弱い教師付きモデルでは、新しい疾患スコアへの一般化が欠如している。 アルジェス(Arges)は、内視鏡で病気の重症度を推定するために位置エンコーディングを組み込んだ深層学習フレームワークである。
  論文  参考訳（メタデータ） (2024-10-01T09:23:14Z)
• Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
  本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。 その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。 実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
  論文  参考訳（メタデータ） (2024-08-15T21:09:09Z)
• Automated Assessment of Critical View of Safety in Laparoscopic Cholecystectomy [51.240181118593114]
  胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。 LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。 本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-09-13T22:01:36Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Interpretable histopathology-based prediction of disease relevant features in Inflammatory Bowel Disease biopsies using weakly-supervised deep learning [0.8521205677945196]
  Crohn's Disease(CD)とUlcerative Colitis(UC)は2種類の炎症性腸疾患である。 深層学習モデルを構築し,CDおよびUCの組織学的特徴を内視鏡的ラベルのみを用いて同定した。
  論文  参考訳（メタデータ） (2023-03-20T15:59:29Z)
• Coherence Learning using Keypoint-based Pooling Network for Accurately Assessing Radiographic Knee Osteoarthritis [18.47511520060851]
  膝関節症(英語: Knee osteoarthritis, OA)は、世界中の高齢者に影響を及ぼす一般的な変性関節疾患である。 現在臨床症状のある膝OAグレーティングシステムは観察対象であり、レイター間の相違に悩まされている。 本稿では,複合度と微粒度を同時に評価するためのコンピュータ支援型診断手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T19:59:13Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• Lesion2Vec: Deep Metric Learning for Few-Shot Multiple Lesions Recognition in Wireless Capsule Endoscopy Video [0.0]
  wireless capsule endoscopy (wce) は、消化管全体を非侵襲的に可視化することで、従来の内視鏡手術に革命をもたらした。 単一のビデオは最大8時間で3万から10万の画像を生成できる。 We propose a metric-based learning framework followed with a few-shot lesion recognition in WCE data。
  論文  参考訳（メタデータ） (2021-01-11T23:58:56Z)
• EndoL2H: Deep Super-Resolution for Capsule Endoscopy [8.949916545542296]
  従来の内視鏡検査では,高分解能内視鏡が腺腫検出率を向上させることが示されている。 低解像度から高解像度の内視鏡画像からマッピングを学習するための新しいフレームワークを提案し,定量的に検証する。
  論文  参考訳（メタデータ） (2020-02-13T11:52:47Z)

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。