論文の概要: Explainable Deep Learning Algorithm for Distinguishing Incomplete
Kawasaki Disease by Coronary Artery Lesions on Echocardiographic Imaging
- arxiv url: http://arxiv.org/abs/2204.02403v1
- Date: Tue, 5 Apr 2022 11:39:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 04:21:49.813015
- Title: Explainable Deep Learning Algorithm for Distinguishing Incomplete
Kawasaki Disease by Coronary Artery Lesions on Echocardiographic Imaging
- Title（参考訳）: 心エコー法による冠動脈病変による不完全川崎病の鑑別のための深部学習アルゴリズム
- Authors: Haeyun Lee, Yongsoon Eun, Jae Youn Hwang, Lucy Youngmin Eun
- Abstract要約: 川崎病(KD)は臨床症状の欠如により誤診されることが多い。
結果: SE-ResNext50は, 分類の精度, 特異性, 精度で最高の性能を示した。
- 参考スコア（独自算出の注目度）: 2.8620557933595583
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Background and Objective: Incomplete Kawasaki disease (KD) has often been
misdiagnosed due to a lack of the clinical manifestations of classic KD.
However, it is associated with a markedly higher prevalence of coronary artery
lesions. Identifying coronary artery lesions by echocardiography is important
for the timely diagnosis of and favorable outcomes in KD. Moreover, similar to
KD, coronavirus disease 2019, currently causing a worldwide pandemic, also
manifests with fever; therefore, it is crucial at this moment that KD should be
distinguished clearly among the febrile diseases in children. In this study, we
aimed to validate a deep learning algorithm for classification of KD and other
acute febrile diseases.
Methods: We obtained coronary artery images by echocardiography of children
(n = 88 for KD; n = 65 for pneumonia). We trained six deep learning networks
(VGG19, Xception, ResNet50, ResNext50, SE-ResNet50, and SE-ResNext50) using the
collected data.
Results: SE-ResNext50 showed the best performance in terms of accuracy,
specificity, and precision in the classification. SE-ResNext50 offered a
precision of 76.35%, a sensitivity of 82.64%, and a specificity of 58.12%.
Conclusions: The results of our study suggested that deep learning algorithms
have similar performance to an experienced cardiologist in detecting coronary
artery lesions to facilitate the diagnosis of KD.
- Abstract（参考訳）: 背景と目的:川崎病(KD)は古典的KDの臨床症状が欠如していることから誤診されることが多い。
しかし、冠動脈病変の有病率は著しく高い。
心エコー法による冠動脈病変の診断はkdの適時診断および良好な予後に重要である。
さらに、KDと同様、現在世界規模のパンデミックを引き起こしている新型コロナウイルス感染症2019も発熱を呈しており、現在、KDは小児の発熱性疾患の中でも明確に区別されるべきである。
本研究では,KDおよび他の急性発熱性疾患の分類のための深層学習アルゴリズムを検証することを目的とした。
方法: 小児の心エコー図(KDはn = 88,肺炎はn = 65)により冠動脈像を得た。
収集したデータを用いて6つのディープラーニングネットワーク(VGG19、Xception、ResNet50、ResNext50、SE-ResNet50、SE-ResNext50)をトレーニングした。
結果: SE-ResNext50は, 精度, 特異性, 精度で最高の性能を示した。
SE-ResNext50の精度は76.35%、感度は82.64%、特異性は58.12%であった。
結論: 本研究の結果, 深層学習アルゴリズムは, KDの診断を容易にするため, 冠状動脈病変の検出において, 経験者の心臓科医と類似した性能を示した。
関連論文リスト
- Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Assessing Encoder-Decoder Architectures for Robust Coronary Artery
Segmentation [11.137087573421258]
本稿では,25個のエンコーダ/デコーダの組み合わせの性能について検討する。
エンコーダとデコーダとして機能するEfficientNet-LinkNetの組み合わせは注目に値する。
ディース係数は0.882で、ハースドルフの95%は4.753である。
論文 参考訳（メタデータ） (2023-10-16T01:55:37Z) - Learning to Automatically Diagnose Multiple Diseases in Pediatric Chest
Radiographs Using Deep Convolutional Neural Networks [0.4697611383288171]
ディープ畳み込みニューラルネットワーク(D-CNN)は成人の胸部X線写真(CXR)スキャンにおいて顕著な性能を示した。
本稿では,5,017名の小児CXRスキャンの大規模なデータセットを遡及的に収集し,それぞれを経験者によって手動でラベル付けする。
その後、D-CNNモデルは3,550個の注釈付きスキャンで訓練され、複数の小児肺病理を自動分類する。
論文 参考訳（メタデータ） (2021-08-14T08:14:52Z) - Ensemble machine learning approach for screening of coronary heart
disease based on echocardiography and risk factors [19.076443235356873]
我々は,モデル積み重ねにより,多くの一般的な分類手法を統合する機械学習アプローチを開発した。
CHD分類の精度は,テストセットで約70%から87.7%に向上した。
論文 参考訳（メタデータ） (2021-05-20T11:04:58Z) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳（メタデータ） (2021-04-15T12:50:16Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - ECGDetect: Detecting Ischemia via Deep Learning [0.0]
RCE-ECG-Detectは、心筋虚血に伴うST変化における形態パターンを検出する機械学習モデルである。
我々のディープニューラルネットワークモデルは畳み込み層を備え、90.31%のROC-AUC、89.34%の感度、87.81%の特異性が得られる。
論文 参考訳（メタデータ） (2020-09-28T11:57:26Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳（メタデータ） (2020-05-27T20:44:38Z) - 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) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - 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)
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。