論文の概要: Performance of a deep learning system for detection of referable
diabetic retinopathy in real clinical settings
- arxiv url: http://arxiv.org/abs/2205.05554v1
- Date: Wed, 11 May 2022 14:59:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 21:32:25.971320
- Title: Performance of a deep learning system for detection of referable
diabetic retinopathy in real clinical settings
- Title(参考訳): 臨床現場における糖尿病網膜症診断のための深層学習システムの有用性
- Authors: Ver\'onica S\'anchez-Guti\'errez, Paula Hern\'andez-Mart\'inez,
Francisco J. Mu\~noz-Negrete, Jonne Engelberts, Allison M. Luger, Mark J.J.P.
van Grinsven
- Abstract要約: RetCAD v.1.3.1は糖尿病網膜症(DR)を自動的に検出するために開発された。
この人工知能ベースの技術を活用して、リリース可能なワークロードの削減を分析する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Background: To determine the ability of a commercially available deep
learning system, RetCAD v.1.3.1 (Thirona, Nijmegen, The Netherlands) for the
automatic detection of referable diabetic retinopathy (DR) on a dataset of
colour fundus images acquired during routine clinical practice in a tertiary
hospital screening program, analyzing the reduction of workload that can be
released incorporating this artificial intelligence-based technology. Methods:
Evaluation of the software was performed on a dataset of 7195 nonmydriatic
fundus images from 6325 eyes of 3189 diabetic patients attending our screening
program between February to December of 2019. The software generated a DR
severity score for each colour fundus image which was combined into an
eye-level score. This score was then compared with a reference standard as set
by a human expert using receiver operating characteristic (ROC) curve analysis.
Results: The artificial intelligence (AI) software achieved an area under the
ROC curve (AUC) value of 0.988 [0.981:0.993] for the detection of referable DR.
At the proposed operating point, the sensitivity of the RetCAD software for DR
is 90.53% and specificity is 97.13%. A workload reduction of 96% could be
achieved at the cost of only 6 false negatives. Conclusions: The AI software
correctly identified the vast majority of referable DR cases, with a workload
reduction of 96% of the cases that would need to be checked, while missing
almost no true cases, so it may therefore be used as an instrument for triage.
- Abstract(参考訳): 背景: RetCAD v.1.3.1 (Thirona, Nijmegen, オランダ) は, 3次病院検診プログラムにおいて, 定期的な臨床実践中に取得したカラー眼底画像のデータセット上で, 参照可能な糖尿病網膜症(DR)を自動的に検出し, この人工知能を応用した作業負荷の低減を解析した。
方法:2019年2月から12月までのスクリーニングプログラムに参加した糖尿病患者3189人の6325人の眼から,7195個の非骨髄性眼底画像を用いてソフトウェアの評価を行った。
ソフトウェアは各カラーフント画像に対してDR重度スコアを生成し、アイレベルスコアに組み合わせた。
このスコアは、レシーバ操作特性(ROC)曲線解析を用いて、人間の専門家によって設定された基準基準と比較された。
結果:人工知能(AI)ソフトウェアは、参照可能なDRを検出するために、ROC曲線(AUC)値0.988[0.981:0.993]の領域を達成し、DR用のRetCADソフトウェアの感度は90.53%、特異性は97.13%である。
作業負荷の96%削減は、偽陰性のわずか6件のコストで達成できた。
結論: AIソフトウェアは、参照可能なDRケースの大部分を正しく識別し、チェックが必要なケースの96%をワークロードで削減すると同時に、本当のケースがほとんどないため、トリアージの道具として使用することができる。
関連論文リスト
- Improving Automated Hemorrhage Detection in Sparse-view Computed
Tomography via Deep Convolutional Neural Network based Artifact Reduction [4.109026802238838]
3000例のSparse-view cranial CTによるアーティファクト削減のためのU-Netの訓練を行った。
自動出血検出のために17,545例の完全CTデータを用いて畳み込みニューラルネットワークを訓練した。
論文 参考訳(メタデータ) (2023-03-16T14:21:45Z) - An Ensemble Method to Automatically Grade Diabetic Retinopathy with
Optical Coherence Tomography Angiography Images [4.640835690336653]
糖尿病網膜症解析チャレンジ(DRAC)2022から得られる糖尿病網膜症(DR)画像を自動的に評価するアンサンブル法を提案する。
まず、最先端の分類ネットワークを採用し、利用可能なデータセットの異なる分割でUW-OCTA画像のグレードをトレーニングする。
最終的に、25のモデルを取得し、そのうち上位16のモデルを選択し、アンサンブルして最終的な予測を生成する。
論文 参考訳(メタデータ) (2022-12-12T22:06:47Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳(メタデータ) (2021-11-18T00:43:41Z) - Cervical Optical Coherence Tomography Image Classification Based on
Contrastive Self-Supervised Texture Learning [2.674926127069043]
本研究の目的は,コンピュータ支援診断(CADx)による頚部CT画像の自己教師付き学習に基づく分類を行うことである。
畳み込みニューラルネットワーク(CNN)によって抽出された高レベルのセマンティックな特徴に加えて、CADxアプローチでは、対照的なテクスチャ学習によって学習された未ラベルの頚部CT画像のテクスチャ特徴を利用する。
論文 参考訳(メタデータ) (2021-08-11T07:52:59Z) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳(メタデータ) (2021-03-02T13:14:15Z) - 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) - Deep Sequential Learning for Cervical Spine Fracture Detection on
Computed Tomography Imaging [20.051649556262216]
CT 軸方向画像における頚椎骨折の自動検出のための双方向長期記憶(BLSTM)層を用いた深部畳み込みニューラルネットワーク(DCNN)を提案する。
我々は,3,666個のCTスキャン(陽性729例,陰性2,937例)の注釈付きデータセットを用いて,モデルをトレーニングし,検証した。
検証結果から, 正の104例と負の104例と負の104例と負の104例と負の419例とで, 70.92%, 79.18%の分類精度を示した。
論文 参考訳(メタデータ) (2020-10-26T04:36:29Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳(メタデータ) (2020-08-22T07:48:04Z) - Predicting Risk of Developing Diabetic Retinopathy using Deep Learning [6.200560025035929]
糖尿病網膜症の発生に対するリスク階層化は、スクリーニング間隔を最適化し、コストを削減し、視力改善に役立つ可能性がある。
糖尿病患者のDRスクリーニングにおける軽度Worse(Mild+)DRの発生を予測するために,DLS(Deep Learning System)の2つのバージョンを作成し,検証した。
論文 参考訳(メタデータ) (2020-08-10T19:07:22Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳(メタデータ) (2020-02-12T00:59:23Z)
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。