論文の概要: Do it Like the Doctor: How We Can Design a Model That Uses Domain
Knowledge to Diagnose Pneumothorax
- arxiv url: http://arxiv.org/abs/2205.12159v1
- Date: Tue, 24 May 2022 15:42:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-25 19:08:54.690205
- Title: Do it Like the Doctor: How We Can Design a Model That Uses Domain
Knowledge to Diagnose Pneumothorax
- Title(参考訳): 気胸の診断にドメイン知識を使用するモデルをどのように設計するか
- Authors: Glen Smith, Qiao Zhang, Christopher MacLellan
- Abstract要約: 肺がん診断の解釈を専門とする医師による2つのシンク・アラウド研究を行い, 肺気胸の関連領域の知識を抽出した。
我々は知識工学の概念を応用し、神経性胸腺症を自動的に診断するためのAIモデル設計を推奨した。
- 参考スコア(独自算出の注目度): 2.2141630212818306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer-aided diagnosis for medical imaging is a well-studied field that
aims to provide real-time decision support systems for physicians. These
systems attempt to detect and diagnose a plethora of medical conditions across
a variety of image diagnostic technologies including ultrasound, x-ray, MRI,
and CT. When designing AI models for these systems, we are often limited by
little training data, and for rare medical conditions, positive examples are
difficult to obtain. These issues often cause models to perform poorly, so we
needed a way to design an AI model in light of these limitations. Thus, our
approach was to incorporate expert domain knowledge into the design of an AI
model. We conducted two qualitative think-aloud studies with doctors trained in
the interpretation of lung ultrasound diagnosis to extract relevant domain
knowledge for the condition Pneumothorax. We extracted knowledge of key
features and procedures used to make a diagnosis. With this knowledge, we
employed knowledge engineering concepts to make recommendations for an AI model
design to automatically diagnose Pneumothorax.
- Abstract(参考訳): 医用画像診断のためのコンピュータ支援診断は、医師にリアルタイム意思決定支援システムを提供することを目的とした、よく研究された分野である。
これらのシステムは、超音波、X線、MRI、CTなど、さまざまな画像診断技術を用いて、多くの医療状況を検出し、診断しようとする。
これらのシステムのためにaiモデルを設計する場合、トレーニングデータが少なく、まれな医療状況では、ポジティブな例を得るのは難しい。
これらの問題はしばしばモデルの性能を悪くするので、これらの制限を考慮してAIモデルを設計する方法が必要でした。
このように、私たちのアプローチは、専門家のドメイン知識をAIモデルの設計に組み込むことでした。
肺超音波診断の解釈を訓練した医師らによる2つの質的研究を行い, 肺気胸の関連領域の知識を抽出した。
診断に使用される重要な特徴と手順の知識を抽出した。
この知識を用いて, 気胸の診断にaiモデル設計を推奨するために, 知識工学的概念を用いた。
関連論文リスト
- Training Small Multimodal Models to Bridge Biomedical Competency Gap: A
Case Study in Radiology Imaging [114.43429928419755]
バイオメディカル・コンピテンシー・ギャップを橋渡しするオープンソース小型マルチモーダル・モデル(SMM)の訓練について検討する。
LLaVA-Radは高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳(メタデータ) (2024-03-12T18:12:02Z) - Large-scale Long-tailed Disease Diagnosis on Radiology Images [59.37561810438641]
本研究では,放射線画像における大規模大語彙疾患分類の問題点について検討する。
i)データセット構築では、39,026ケース(192,675スキャン)を含む930のユニークなICD-10-CMコードとリンクした5568の障害を含む、学術的にアクセス可能な大規模診断データセットを構築します。
さらに,本研究の最終モデルは事前学習モデルとして機能し,様々な外部データセットの診断に役立てることができる。
論文 参考訳(メタデータ) (2023-12-26T18:20:48Z) - Deep Residual CNN for Multi-Class Chest Infection Diagnosis [1.8204773850586642]
本研究は,胸部感染症のマルチクラス診断のためのディープ残留畳み込みニューラルネットワーク(CNN)の開発と評価について検討する。
さまざまなソースから集約されたデータセット上でトレーニングされ、検証された実装モデルは、堅牢な全体的な精度93%を示した。
論文 参考訳(メタデータ) (2023-11-17T10:05:10Z) - Can GPT-4V(ision) Serve Medical Applications? Case Studies on GPT-4V for
Multimodal Medical Diagnosis [59.35504779947686]
GPT-4VはOpenAIの最新のマルチモーダル診断モデルである。
評価対象は17の人体システムである。
GPT-4Vは、医用画像のモダリティと解剖学を区別する能力を示す。
疾患の診断と包括的報告作成において重大な課題に直面している。
論文 参考訳(メタデータ) (2023-10-15T18:32:27Z) - Explainable AI applications in the Medical Domain: a systematic review [1.4419517737536707]
医療AIの分野は、ユーザー信頼の構築、規制の遵守、倫理的にデータの利用など、さまざまな課題に直面している。
本稿では,近年発行されている198記事の代表的サンプルをもとに,XAIソリューションの医療意思決定支援への展開に関する文献的考察を行う。
論文 参考訳(メタデータ) (2023-08-10T08:12:17Z) - Recent advancement in Disease Diagnostic using machine learning:
Systematic survey of decades, comparisons, and challenges [0.0]
バイオメディカル領域におけるパターン認識と機械学習は、疾患の検出と診断の精度を高めることを約束する。
本稿では,肝炎,糖尿病,肝疾患,デング熱,心臓病などの疾患を検出するための機械学習アルゴリズムについて検討する。
論文 参考訳(メタデータ) (2023-07-31T16:35:35Z) - Online learning for X-ray, CT or MRI [6.211286162347693]
医療画像は、疾患の特定において医療セクターにおいて重要な役割を担っている。
近年,医療専門家は医療画像の評価にコンピュータ支援診断(CAD)システムを採用し始めている。
医学研究はすでに人工知能(AI)と呼ばれる新しい研究の時代に入った。
論文 参考訳(メタデータ) (2023-06-10T17:14:41Z) - 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) - AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in
Healthcare with Automated Machine Learning [72.2614468437919]
本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。
我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。
我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
論文 参考訳(メタデータ) (2022-10-21T16:31:46Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳(メタデータ) (2022-04-09T13:04:36Z) - Survey of XAI in digital pathology [3.4591414173342643]
本稿では,デジタル病理学におけるXAIについて,特定の特徴とニーズを持つ医用画像のサブディシプリタであるXAIについて紹介する。
病理画像診断における深層学習手法に関する現在のXAI技術の概要について概説する。
そこで我々は,XAIランドスケープの不可欠な部分として不確実性推定手法を取り入れた。
論文 参考訳(メタデータ) (2020-08-14T13:11:54Z)
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。