論文の概要: Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule
Diagnosis
- arxiv url: http://arxiv.org/abs/2204.04219v1
- Date: Fri, 8 Apr 2022 08:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-16 11:43:42.979297
- Title: Towards Reliable and Explainable AI Model for Solid Pulmonary Nodule
Diagnosis
- Title(参考訳): 固形肺結節診断のための信頼性・説明可能なaiモデルの開発
- Authors: Chenglong Wang, Yun Liu, Fen Wang, Chengxiu Zhang, Yida Wang, Mei
Yuan, Guang Yang
- Abstract要約: 肺がんは世界で最も死亡率が高い。
結節検出・診断において,放射線科医を支援するコンピュータ支援診断システム(CAD)が開発された。
モデル信頼性の欠如と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
- 参考スコア(独自算出の注目度): 20.510918720980467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung cancer has the highest mortality rate of deadly cancers in the world.
Early detection is essential to treatment of lung cancer. However, detection
and accurate diagnosis of pulmonary nodules depend heavily on the experiences
of radiologists and can be a heavy workload for them. Computer-aided diagnosis
(CAD) systems have been developed to assist radiologists in nodule detection
and diagnosis, greatly easing the workload while increasing diagnosis accuracy.
Recent development of deep learning, greatly improved the performance of CAD
systems. However, lack of model reliability and interpretability remains a
major obstacle for its large-scale clinical application. In this work, we
proposed a multi-task explainable deep-learning model for pulmonary nodule
diagnosis. Our neural model can not only predict lesion malignancy but also
identify relevant manifestations. Further, the location of each manifestation
can also be visualized for visual interpretability. Our proposed neural model
achieved a test AUC of 0.992 on LIDC public dataset and a test AUC of 0.923 on
our in-house dataset. Moreover, our experimental results proved that by
incorporating manifestation identification tasks into the multi-task model, the
accuracy of the malignancy classification can also be improved. This multi-task
explainable model may provide a scheme for better interaction with the
radiologists in a clinical environment.
- Abstract(参考訳): 肺がんは世界で最も死亡率が高い。
早期発見は肺癌の治療に不可欠である。
しかし, 肺結節の検出と診断は放射線医の経験に大きく依存しており, 重度の作業量となる可能性がある。
結節検出・診断において放射線技師を支援するコンピュータ支援診断システム (CAD) が開発され, 診断精度を高めつつ, 作業負荷を大幅に軽減した。
近年のディープラーニングはCADシステムの性能を大幅に向上させた。
しかし、モデル信頼性と解釈可能性の欠如は、その大規模臨床応用の大きな障害である。
本研究では,肺結節診断のためのマルチタスク記述型ディープラーニングモデルを提案する。
我々の神経モデルは病変の悪性度を予測できるだけでなく、関連する徴候も特定できる。
さらに、各マニフェストの位置を視覚的解釈性のために視覚化することもできる。
提案したニューラルモデルはLIDC公開データセットで0.992のAUCを、社内データセットで0.923のAUCを達成した。
また,マルチタスクモデルにマニフェスト識別タスクを組み込むことにより,悪性度分類の精度も向上できることが実証された。
このマルチタスク説明可能なモデルは、臨床環境における放射線医との相互作用を改善するためのスキームを提供することができる。
関連論文リスト
- Variational Autoencoders for Feature Exploration and Malignancy
Prediction of Lung Lesions [0.0]
肺がんはイギリスで21%のがん死の原因となっている。
最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。
本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
論文 参考訳(メタデータ) (2023-11-27T11:12:33Z) - Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳(メタデータ) (2023-10-09T18:38:49Z) - 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) - Deep Reinforcement Learning Framework for Thoracic Diseases
Classification via Prior Knowledge Guidance [49.87607548975686]
関連疾患に対するラベル付きデータの不足は、正確な診断にとって大きな課題となる。
本稿では,診断エージェントの学習を指導するための事前知識を導入する,新しい深層強化学習フレームワークを提案する。
提案手法の性能はNIHX-ray 14とCheXpertデータセットを用いて実証した。
論文 参考訳(メタデータ) (2023-06-02T01:46:31Z) - Multi-Label Classification of Thoracic Diseases using Dense
Convolutional Network on Chest Radiographs [0.0]
本稿では,高密度畳み込みニューラルネットワーク(DenseNet)とモデル解釈可能性を用いた胸部X線診断モデルを提案する。
我々は前頭前頭X線を用いてモデルを訓練し、受信機動作特性曲線(AUC)の下の領域を含む様々な定量的指標を用いてその性能を評価した。
提案モデルでは,NoduleのAUCスコアは0.655,精度0.66のAUCスコアは0.826で,AUCスコアは0.896,Noduleは0.655であった。
論文 参考訳(メタデータ) (2022-02-08T00:43:57Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳(メタデータ) (2021-05-11T17:10:25Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Automatic Generation of Interpretable Lung Cancer Scoring Models from
Chest X-Ray Images [9.525711971667679]
肺がんは世界中でがんの死因となっている。
深層学習技術は肺がんの診断に有効である。
これらの技術は、まだ医療コミュニティによって承認され、採用されていない。
論文 参考訳(メタデータ) (2020-12-10T04:11:59Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z)
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。