Fugu-MT 論文翻訳(概要): RapidRead: Global Deployment of State-of-the-art Radiology AI for a Large Veterinary Teleradiology Practice

論文の概要: RapidRead: Global Deployment of State-of-the-art Radiology AI for a Large Veterinary Teleradiology Practice

arxiv url: http://arxiv.org/abs/2111.08165v1
Date: Tue, 9 Nov 2021 14:05:16 GMT
ステータス: 処理完了
システム内更新日: 2021-11-21 14:28:42.861635
Title: RapidRead: Global Deployment of State-of-the-art Radiology AI for a Large Veterinary Teleradiology Practice
Title（参考訳）: rapidread:大規模獣医のための最先端放射線学aiのグローバル展開
Authors: Michael Fitzke, Conrad Stack, Andre Dourson, Rodrigo M. B. Santana, Diane Wilson, Lisa Ziemer, Arjun Soin, Matthew P. Lungren, Paul Fisher, Mark Parkinson
Abstract要約: この研究は、イヌとネコの無線画像を評価するディープラーニングベースのAIシステムの開発と実際の展開について説明する。本稿では,25万枚以上のX線画像を利用したNLPラベルと自己教師付きトレーニングを組み合わせた,新たな半教師付き学習手法について述べる。
参考スコア（独自算出の注目度）: 0.20702670457720462
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: This work describes the development and real-world deployment of a deep learning-based AI system for evaluating canine and feline radiographs across a broad range of findings and abnormalities. We describe a new semi-supervised learning approach that combines NLP-derived labels with self-supervised training leveraging more than 2.5 million x-ray images. Finally we describe the clinical deployment of the model including system architecture, real-time performance evaluation and data drift detection.
Abstract（参考訳）: この研究は、広範囲の発見と異常からイヌとネコの無線画像を評価するディープラーニングベースのAIシステムの開発と実際の展開について説明する。我々は,nlp由来のラベルと,250万以上のx線画像を用いた自己教師付きトレーニングを組み合わせた,新しい半教師付き学習手法について述べる。最後に,システムアーキテクチャ,リアルタイム性能評価,データドリフト検出を含むモデルの臨床展開について述べる。

関連論文リスト

Uncovering Knowledge Gaps in Radiology Report Generation Models through Knowledge Graphs [18.025481751074214]
我々はReXKGというシステムを導入し,処理されたレポートから構造化された情報を抽出し,放射線学知識グラフを構築する。我々はAIと人手による放射線学レポートの詳細な比較分析を行い、専門家モデルとジェネラリストモデルの両方のパフォーマンスを評価する。
論文参考訳（メタデータ） (2024-08-26T16:28:56Z)
Automated Radiology Report Generation: A Review of Recent Advances [5.965255286239531]
人工知能の最近の技術進歩は、自動放射線学レポート生成に大きな可能性を示している。人工知能の最近の進歩は、自動放射線診断レポート生成に大きな可能性を示している。
論文参考訳（メタデータ） (2024-05-17T15:06:08Z)
Deployment of Deep Learning Model in Real World Clinical Setting: A Case Study in Obstetric Ultrasound [5.925413857641955]
実世界の臨床環境で画像ベースAIモデルをデプロイするための汎用フレームワークを提案する。胎児超音波標準平面検出のための訓練されたモデルをデプロイし,初級者および熟練者の両方でリアルタイムに評価する。
論文参考訳（メタデータ） (2024-03-22T14:38:26Z)
Evaluating General Purpose Vision Foundation Models for Medical Image Analysis: An Experimental Study of DINOv2 on Radiology Benchmarks [5.8941124219471055]
DINOv2はオープンソースのファンデーションモデルで、1億4200万のキュレートされた自然画像に対する自己教師付き学習を事前訓練している。本研究は放射線学におけるDINOv2の性能を総合的に評価する。
論文参考訳（メタデータ） (2023-12-04T21:47:10Z)
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)
Radiology-Llama2: Best-in-Class Large Language Model for Radiology [71.27700230067168]
本稿では,ラジオロジーに特化した大規模言語モデルであるRadiology-Llama2を紹介する。 MIMIC-CXRとOpenIデータセットのROUGEメトリクスを用いた定量的評価は、Radiology-Llama2が最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2023-08-29T17:44:28Z)
Unsupervised Pathology Detection: A Deep Dive Into the State of the Art [6.667150890634173]
複数の医療データセット上で,最先端の非教師付き異常検出法 (UAD) の選択について検討した。本実験は, 産業・医療文献から新たに開発された特徴モデリング手法により, 性能が向上することが実証された。これらの手法は,最近開発された自己教師付き事前学習アルゴリズムの恩恵を受けることができることを示す。
論文参考訳（メタデータ） (2023-03-01T16:03:25Z)
Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文参考訳（メタデータ） (2022-12-14T06:04:18Z)
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)
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)
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。