論文の概要: Using artificial intelligence to detect chest X-rays with no significant findings in a primary health care setting in Oulu, Finland

• arxiv url: http://arxiv.org/abs/2205.08123v1
• Date: Tue, 17 May 2022 06:48:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-18 22:23:35.606719
• Title: Using artificial intelligence to detect chest X-rays with no significant findings in a primary health care setting in Oulu, Finland
• Title（参考訳）: フィンランド・オウルにおける一次医療施設における胸部x線検出における人工知能の利用
• Authors: Tommi Keski-Filppula, Marko Nikki, Marianne Haapea, Naglis Ramanauskas, Osmo Tervonen
• Abstract要約: フィンランドのプライマリ・ヘルス・ケア患者10万例の胸部X線分析を行った。 AIによる非有意な症例の数は1692件であった。 ソフトウェアに重大な発見は見つからなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objectives: To assess the use of artificial intelligence-based software in ruling out chest X-ray cases, with no significant findings in a primary health care setting. Methods: In this retrospective study, a commercially available artificial intelligence (AI) software was used to analyse 10 000 chest X-rays of Finnish primary health care patients. In studies with a mismatch between an AI normal report and the original radiologist report, a consensus read by two board-certified radiologists was conducted to make the final diagnosis. Results: After the exclusion of cases not meeting the study criteria, 9579 cases were analysed by AI. Of these cases, 4451 were considered normal in the original radiologist report and 4644 after the consensus reading. The number of cases correctly found nonsignificant by AI was 1692 (17.7% of all studies and 36.4% of studies with no significant findings). After the consensus read, there were nine confirmed false-negative studies. These studies included four cases of slightly enlarged heart size, four cases of slightly increased pulmonary opacification and one case with a small unilateral pleural effusion. This gives the AI a sensitivity of 99.8% (95% CI= 99.65-99.92) and specificity of 36.4 % (95% CI= 35.05-37.84) for recognising significant pathology on a chest X-ray. Conclusions: AI was able to correctly rule out 36.4% of chest X-rays with no significant findings of primary health care patients, with a minimal number of false negatives that would lead to effectively no compromise on patient safety. No critical findings were missed by the software.
• Abstract（参考訳）: 目的: 胸部X線症例の判定における人工知能ベースのソフトウェアの使用を評価するため, プライマリ・ヘルス・セッティングにおいて有意な発見は得られなかった。 方法: この振り返り調査では,フィンランドのプライマリヘルスケア患者の10万個の胸部X線分析に市販の人工知能(AI)ソフトウェアを使用した。 aiノーマルレポートと元の放射線科医レポートのミスマッチを用いた研究では、2人のボード認定放射線科医によるコンセンサスが最終診断のために行われた。 結果: 調査基準を満たさない症例の排除後, 9579例がAIにより分析された。 このうち, 4451例は, コンセンサス読解後, 4644例は正常であった。 aiによる非有意な症例は1692例(全研究の17.7%、有意な所見のない研究の36.4%)であった。 結果、偽陰性研究は9件確認された。 対象は, 心臓径がやや増大した4例, 肺圧亢進の4例, 片側性胸水を伴う1例であった。 これにより、AIの感度は99.8%(95% CI=99.65-99.92)、特異度は36.4%(95% CI=35.05-37.84)となり、胸部X線上の重要な病理を認識できる。 結論: aiは36.4%の胸部x線を正しく除外でき、一次医療患者には有意な所見はなく、偽陰性は最小であり、患者の安全性に事実上の妥協は生じなかった。 ソフトウェアには重要な発見は見当たらなかった。

関連論文リスト

• PanCanBench: A Comprehensive Benchmark for Evaluating Large Language Models in Pancreatic Oncology [48.732366302949515]
  大規模言語モデル(LLM)は、標準化された検査において専門家レベルの性能を達成したが、複数の選択精度は現実の臨床的有用性や安全性を十分に反映していない。 我々は、未確認患者の質問に対して、専門家のルーブリックを作成するための、ループ内人間パイプラインを開発した。 LLM-as-a-judge フレームワークを用いて,22のプロプライエタリおよびオープンソース LLM の評価を行い,臨床完全性,事実精度,Web-search 統合について検討した。
  論文  参考訳（メタデータ） (2026-03-02T00:50:39Z)
• Early and Prediagnostic Detection of Pancreatic Cancer from Computed Tomography [46.596419554048225]
  膵管腺癌 (PDAC) は遅発性, 手術不能な症例が多い。 ePAI(早期膵癌検出と人工知能)という自動システムを開発した。 ePAIは159例中75例においてPDACの検出と局所化に成功し, 平均リード時間は347日であった。
  論文  参考訳（メタデータ） (2026-01-29T18:55:23Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Interpretable Artificial Intelligence for Detecting Acute Heart Failure on Acute Chest CT Scans [2.2192473101240764]
  胸部CT検査は、急性心不全(AHF)が重要な鑑別診断であるジスキニー病患者にますます用いられる。 胸部CTにおけるAHFの放射線学的徴候を胸部X線検査に匹敵する精度で検出する,説明可能なAIモデルの開発を目指している。
  論文  参考訳（メタデータ） (2025-07-11T18:25:34Z)
• Towards a Holistic Framework for Multimodal Large Language Models in Three-dimensional Brain CT Report Generation [42.06416052431378]
  2Dラジオグラフィーキャプションは、ボリューム3D解剖学における現実の診断課題を反映するものではない。 我々は18,885組の3D-BrainCTデータセットを収集し,臨床ビジュアルインストラクション・チューニングを用いて,脳波モデルを用いて放射線治療を施した3D脳CTレポートを作成した。 私たちの研究は、3Dの脳CTデータセットのキュレーション、微調整による解剖学的意味のある言語モデル、堅牢な放射線学評価指標の提案など、総合的な枠組みを具現化したものです。
  論文  参考訳（メタデータ） (2024-07-02T12:58:35Z)
• Artificial intelligence for abnormality detection in high volume neuroimaging: a systematic review and meta-analysis [0.5934394862891423]
  神経画像における異常を検出する人工知能(AI)モデルを評価するほとんどの研究は、非表現的な患者コホートで試験されている。 目的は、診断テストの精度を判定し、第一線高ボリュームのニューロイメージングタスクを実行するAIモデルの使用を支持する証拠を要約することであった。
  論文  参考訳（メタデータ） (2024-05-09T10:12:17Z)
• 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)
• Predicting breast cancer with AI for individual risk-adjusted MRI screening and early detection [1.3367806441522678]
  本稿では,現在のMRIに基づいて1年以内に乳癌の発症リスクを予測することを提案する。 検診・診断を施行した12,694例の乳房53,858例を対象にAIアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-11-29T19:52:53Z)
• Robustness of an Artificial Intelligence Solution for Diagnosis of Normal Chest X-Rays [0.0]
  正常胸部X線(CXR)の診断におけるAIソリューションの有用性について検討した。 合計4,060個のCXRがサンプリングされ、NHS患者とケア設定の多様なデータセットが表現された。
  論文  参考訳（メタデータ） (2022-08-31T09:54:24Z)
• AI-based software for lung nodule detection in chest X-rays -- Time for a second reader approach? [0.0]
  日本放射線技術学会データベースを解析した。 AIモード -- 自動化とアシスト -- は、平均的な感度向上を生み出した。 どちらのAIモードも、放射線技師が見逃した肺結節をかなりの数の症例でフラグ付けした。
  論文  参考訳（メタデータ） (2022-06-22T08:35:04Z)
• The pitfalls of using open data to develop deep learning solutions for COVID-19 detection in chest X-rays [64.02097860085202]
  深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。 オープンソースデータのトレーニングやテストでは,結果は異例です。 データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
  論文  参考訳（メタデータ） (2021-09-14T10:59:11Z)
• Artificial Intelligence applied to chest X-Ray images for the automatic detection of COVID-19. A thoughtful evaluation approach [0.0]
  論文では、79,500枚以上のX線画像のデータセットで畳み込みニューラルネットワークをトレーニングするプロセスについて述べる。 採用手法では、91.5%の分類精度が得られ、最悪のものの最も説明可能な実験に対する平均リコールは87.4%である。
  論文  参考訳（メタデータ） (2020-11-29T02:48:39Z)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• 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。