論文の概要: AI-based software for lung nodule detection in chest X-rays -- Time for a second reader approach?

• arxiv url: http://arxiv.org/abs/2206.10912v1
• Date: Wed, 22 Jun 2022 08:35:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-24 01:26:15.235437
• Title: AI-based software for lung nodule detection in chest X-rays -- Time for a second reader approach?
• Title（参考訳）: 胸部X線における肺結節検出のためのAIベースのソフトウェア -- 第2の読者アプローチの時間?
• Authors: Susanne Ohlmann-Knafo, Naglis Ramanauskas, Sebastian Huettinger, Emil Johnson Jeyakumar, Darius Baru\v{s}auskas, Neringa Bielskien\.e, Vytautas Naujalis, Jonas Bialopetravi\v{c}ius, Jonas Ra\v{z}anskas, Art\=uras Samuilis, J\=urat\.e Dementavi\v{c}ien\.e, Dirk Pickuth
• Abstract要約: 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。
• 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 compare artificial intelligence (AI) as a second reader in detecting lung nodules on chest X-rays (CXR) versus radiologists of two binational institutions, and to evaluate AI performance when using two different modes: automated versus assisted (additional remote radiologist review). Methods: The CXR public database (n = 247) of the Japanese Society of Radiological Technology with various types and sizes of lung nodules was analyzed. Eight radiologists evaluated the CXR images with regard to the presence of lung nodules and nodule conspicuity. After radiologist review, the AI software processed and flagged the CXR with the highest probability of missed nodules. The calculated accuracy metrics were the area under the curve (AUC), sensitivity, specificity, F1 score, false negative case number (FN), and the effect of different AI modes (automated/assisted) on the accuracy of nodule detection. Results: For radiologists, the average AUC value was 0.77 $\pm$ 0.07, while the average FN was 52.63 $\pm$ 17.53 (all studies) and 32 $\pm$ 11.59 (studies containing a nodule of malignant etiology = 32% rate of missed malignant nodules). Both AI modes -- automated and assisted -- produced an average increase in sensitivity (by 14% and 12%) and of F1-score (5% and 6%) and a decrease in specificity (by 10% and 3%, respectively). Conclusions: Both AI modes flagged the pulmonary nodules missed by radiologists in a significant number of cases. AI as a second reader has a high potential to improve diagnostic accuracy and radiology workflow. AI might detect certain pulmonary nodules earlier than radiologists, with a potentially significant impact on patient outcomes.
• Abstract（参考訳）: 目的: 胸部x線(cxr)上の肺結節の検出における第2の読者としてai(artificial intelligence, 人工知能)を比較し, 2つの双国籍機関の放射線科医と比較し, 2つの異なるモード(automated and assisted (additional remote radioologist review) を用いたaiの性能評価を行う。 方法】肺結節の種類や大きさの異なる日本放射線技術学会のcxr public database (n = 247) を解析した。 放射線技師8人が肺結節と結節の出現についてCXR画像を評価した。 放射線科医のレビューの後、aiソフトウェアはcxrを最も低い結節率で処理し、フラグを付けた。 計算された精度指標は,曲線下領域 (auc), 感度, 特異性, f1得点, 偽陰性症例数 (fn), 異なるaiモード (自動/補助) が結節検出精度に及ぼす影響であった。 結果: 放射線科医の平均 auc 値は 0.77 $\pm$ 0.07 であり, 平均 fn は 52.63 $\pm$ 17.53 であり, 32 $\pm$ 11.59 であった。 自動化と支援の両方のaiモードは、平均感度(14%と12%)とf1-score(5%と6%)の上昇と特異度(それぞれ10%と3%)の低下をもたらした。 結論: どちらのAIモードも, 放射線技師が見逃した肺結節にフラグを付けた。 第2の読者としてのAIは、診断精度と放射線学ワークフローを改善する可能性が高い。 AIは放射線科医よりも早く特定の肺結節を検出する可能性がある。

関連論文リスト

• Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
  コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。 MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。 また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
  論文  参考訳（メタデータ） (2024-07-02T19:30:25Z)
• 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)
• Leveraging cough sounds to optimize chest x-ray usage in low-resource settings [35.63955045151504]
  インド・ビハール州プルニアのクリスチャン・メディカル・センターと病院で胸部X線検査を行った137例について前向きに収集した。 それぞれの患者は放射線治療中に少なくとも5つのうっ血を投与した。 胸部X線異常を予測するために, 3つのモデルを開発し, 試験し, 比較した。
  論文  参考訳（メタデータ） (2024-02-13T20:54:55Z)
• Expert Uncertainty and Severity Aware Chest X-Ray Classification by Multi-Relationship Graph Learning [48.29204631769816]
  我々はCXRレポートから病気ラベルを再抽出し,重症度と分類の不確実性を考慮し,より現実的になるようにした。 以上の結果から, 疾患の重症度と不確実性を考慮したモデルが, 従来の最先端手法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2023-09-06T19:19:41Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• minoHealth.ai: A Clinical Evaluation Of Deep Learning Systems For the Diagnosis of Pleural Effusion and Cardiomegaly In Ghana, Vietnam and the United States of America [0.0]
  我々は、私のminoHealth AI Labsを開発したminoHealth.aiシステムが、心内膜および胸膜灌流の診断において、いかにうまく機能するかを評価する。 ガーナ、ベトナム、米国からの胸部X線、そしてガーナで働く放射線学者と比べて、AIシステムがいかにうまく機能するか。 MinoHealth.aiはAUC-ROCが0.9と0.97であり、AUC-ROCは0.77から0.86であった。
  論文  参考訳（メタデータ） (2022-10-31T20:12:41Z)
• 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)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• A clinical validation of VinDr-CXR, an AI system for detecting abnormal chest radiographs [0.0]
  X線スキャンで異常を検出するためのAIベースのシステムを検証するメカニズムを実証する。 このシステムは、胸部X線上の異常を検出するためのF1スコア(リコールのハーモニック平均と精度-0.653 CI 0.635, 0.671)を達成する。
  論文  参考訳（メタデータ） (2021-04-06T02:53:35Z)

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。