論文の概要: Preparing data for pathological artificial intelligence with clinical-grade performance

• arxiv url: http://arxiv.org/abs/2205.10748v1
• Date: Sun, 22 May 2022 05:20:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 18:25:39.450847
• Title: Preparing data for pathological artificial intelligence with clinical-grade performance
• Title（参考訳）: 臨床応用による病的人工知能のためのデータ準備
• Authors: Yuanqing Yang (1), Kai Sun (1), Yanhua Gao (2), Kuangsong Wang (3 and 4), Gang Yu (1) ((1) Department of Biomedical Engineering, School of Basic Medical Sciences, Central South University, Changsha, China,(2) Department of Ultrasound, Shaanxi Provincial People's Hospital, Xi'an, China,(3) Department of Pathology, School of Basic Medical Sciences, Central South University, Changsha, China,(4) Department of Pathology, Xiangya Hospital, Central South University, Changsha, China)
• Abstract要約: 病理人工知能(PAI)は、診断精度と効率を向上させると考えられている。 論文は、2017年1月から2022年2月まで発行されたPubMedデータベースにおけるPAI関連の研究をレビューしている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: [Purpose] The pathology is decisive for disease diagnosis, but relies heavily on the experienced pathologists. Recently, pathological artificial intelligence (PAI) is thought to improve diagnostic accuracy and efficiency. However, the high performance of PAI based on deep learning in the laboratory generally cannot be reproduced in the clinic. [Methods] Because the data preparation is important for PAI, the paper has reviewed PAI-related studies in the PubMed database published from January 2017 to February 2022, and 118 studies were included. The in-depth analysis of methods for preparing data is performed, including obtaining slides of pathological tissue, cleaning, screening, and then digitizing. Expert review, image annotation, dataset division for model training and validation are also discussed. We further discuss the reasons why the high performance of PAI is not reproducible in the clinical practices and show some effective ways to improve clinical performances of PAI. [Results] The robustness of PAI depend on randomized collection of representative disease slides, including rigorous quality control and screening, correction of digital discrepancies, reasonable annotation, and the amount of data. The digital pathology is fundamental of clinical-grade PAI, and the techniques of data standardization and weakly supervised learning methods based on whole slide image (WSI) are effective ways to overcome obstacles of performance reproduction. [Conclusion] The representative data, the amount of labeling and consistency from multi-centers is the key to performance reproduction. The digital pathology for clinical diagnosis, data standardization and technique of WSI-based weakly supervised learning hopefully build clinical-grade PAI. Keywords: pathological artificial intelligence; data preparation; clinical-grade; deep learning
• Abstract（参考訳）: 目的] 病理は疾患診断に決定的だが, 経験豊富な病理学者に大きく依存する。 近年,病的人工知能 (PAI) は診断精度と効率を向上すると考えられている。 しかし,研究室での深層学習に基づくpaiの高性能化は,一般的には臨床では再現できない。 [方法]データ準備はPAIにとって重要であるため、2017年1月から2022年2月までに発行されたPubMedデータベースにおけるPAI関連の研究をレビューし、118の論文を含む。 病理組織のスライドの取得、クリーニング、スクリーニング、デジタイズを含む、データの準備方法の詳細な分析を行う。 エキスパートレビュー、画像アノテーション、モデルのトレーニングと検証のためのデータセット分割についても論じている。 さらに,臨床実践においてPAIのハイパフォーマンスが再現できない理由を考察し,PAIの臨床的パフォーマンスを改善するための効果的な方法を示す。 結果]PAIのロバスト性は,厳格な品質管理とスクリーニング,デジタル不一致の補正,合理的アノテーション,データ量など,多彩な疾患スライドのランダムな収集に依存している。 デジタル病理学は臨床段階のPAIの基礎であり,全スライド画像(WSI)に基づくデータ標準化と弱い教師付き学習手法は,パフォーマンス再現の障害を克服する有効な方法である。 [結論] 代表データ,マルチセンタからのラベリングと一貫性が,パフォーマンス再現の鍵となるのです。 WSIに基づく弱教師あり学習のデジタル診断、データ標準化、技術は、臨床レベルのPAIを構築することを願っている。 キーワード:病理人工知能、データ準備、臨床応用、ディープラーニング

関連論文リスト

• Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
  本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。 本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。 その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
  論文  参考訳（メタデータ） (2024-10-31T19:48:50Z)
• TopOC: Topological Deep Learning for Ovarian and Breast Cancer Diagnosis [3.262230127283452]
  トポロジカルデータ分析は、異なる色チャネルにわたるトポロジカルパターンの評価を通じて重要な情報を抽出することで、ユニークなアプローチを提供する。 卵巣癌と乳癌では, トポロジカルな特徴を取り入れることで, 腫瘍型の分化が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2024-10-13T12:24:13Z)
• Artificial Intelligence in Extracting Diagnostic Data from Dental Records [6.132077347366551]
  本研究は, 未構造化テキストから診断情報を抽出することにより, 歯科記録に欠落する構造データの問題に対処する。 我々は、GPT-4を利用した高度なAIおよびNLP手法を用いて、RoBERTaモデルの微調整のための合成ノートを生成する。 2つのデータセットからランダムに選択した120個の臨床ノートを用いてモデルの評価を行い,診断精度の向上を実証した。
  論文  参考訳（メタデータ） (2024-07-23T04:05:48Z)
• Early Recognition of Parkinson's Disease Through Acoustic Analysis and Machine Learning [0.0]
  パーキンソン病(英: Parkinson's Disease、PD)は、音声を含む運動機能と非運動機能の両方に大きな影響を及ぼす進行性神経変性疾患である。 本稿では,音声データを用いたPD認識手法の総合的なレビューを行い,機械学習とデータ駆動アプローチの進歩を強調した。 ロジスティック回帰、SVM、ニューラルネットワークなど、さまざまな分類アルゴリズムが検討されている。 以上の結果から,特定の音響特性と高度な機械学習技術は,PDと健常者の間で効果的に区別できることが示唆された。
  論文  参考訳（メタデータ） (2024-07-22T23:24:02Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• AI-Augmented Behavior Analysis for Children with Developmental Disabilities: Building Towards Precision Treatment [2.0324247356209835]
  AI-Augmented Learning and Applied Behavior Analytics(AI-ABA)プラットフォームを提供し、パーソナライズされた治療と学習計画を提供します。 自動データ収集と分析とともに体系的な実験を定義することで、AI-ABAは自己規制的行動を促進することができる。
  論文  参考訳（メタデータ） (2021-02-21T16:15:40Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• A survey of statistical learning techniques as applied to inexpensive pediatric Obstructive Sleep Apnea data [3.1373682691616787]
  閉塞性睡眠時無呼吸は小学生の1-5%に影響を及ぼす。 スウィフトの診断と治療は、子供の成長と発達にとって重要であるが、症状の多様性と利用可能なデータの複雑さは、これを困難にしている。 探索データ解析のプロセスにおいて,相関ネットワーク,トポロジカルデータ解析からのMapperアルゴリズム,特異値分解を適用した。
  論文  参考訳（メタデータ） (2020-02-17T18:15:32Z)

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。