論文の概要: Towards the Use of Saliency Maps for Explaining Low-Quality
Electrocardiograms to End Users
- arxiv url: http://arxiv.org/abs/2207.02726v1
- Date: Wed, 6 Jul 2022 14:53:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 13:19:11.252412
- Title: Towards the Use of Saliency Maps for Explaining Low-Quality
Electrocardiograms to End Users
- Title（参考訳）: エンドユーザーに低品質心電図を説明するための塩分マップの利用に向けて
- Authors: Ana Lucic, Sheeraz Ahmad, Amanda Furtado Brinhosa, Vera Liao, Himani
Agrawal, Umang Bhatt, Krishnaram Kenthapadi, Alice Xiang, Maarten de Rijke,
Nicholas Drabowski
- Abstract要約: 診断に医用画像を使用する場合,画像が高品質であることが重要である。
遠隔医療において一般的な問題は、患者が診療所を退院した後にのみ、品質問題が警告されることである。
本稿では,低品質な医用画像をリアルタイムにフラグ付け,説明するためのAIシステムの開発について報告する。
- 参考スコア（独自算出の注目度）: 45.62380752173638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When using medical images for diagnosis, either by clinicians or artificial
intelligence (AI) systems, it is important that the images are of high quality.
When an image is of low quality, the medical exam that produced the image often
needs to be redone. In telemedicine, a common problem is that the quality issue
is only flagged once the patient has left the clinic, meaning they must return
in order to have the exam redone. This can be especially difficult for people
living in remote regions, who make up a substantial portion of the patients at
Portal Telemedicina, a digital healthcare organization based in Brazil. In this
paper, we report on ongoing work regarding (i) the development of an AI system
for flagging and explaining low-quality medical images in real-time, (ii) an
interview study to understand the explanation needs of stakeholders using the
AI system at OurCompany, and, (iii) a longitudinal user study design to examine
the effect of including explanations on the workflow of the technicians in our
clinics. To the best of our knowledge, this would be the first longitudinal
study on evaluating the effects of XAI methods on end-users -- stakeholders
that use AI systems but do not have AI-specific expertise. We welcome feedback
and suggestions on our experimental setup.
- Abstract（参考訳）: 臨床医または人工知能(ai)システムによる診断に医療画像を使用する場合、画像が高品質であることは重要である。
画像の品質が低い場合、画像を生成する医療検査は、しばしばやり直す必要がある。
遠隔医療において一般的な問題は、患者が診療所を退院した後にのみ、品質問題が警告されることである。
これは、ブラジルに拠点を置くデジタル医療機関であるportal telemedicinaの患者の大部分を占める、遠隔地に住む人々にとって特に困難である。
本稿では,現在進行中の研究について報告する。
一 高品質な医用画像のリアルタイム表示・説明のためのAIシステムの開発
(ii)我々の企業におけるaiシステムを用いたステークホルダーのニーズを理解するためのインタビュー研究、及び
(iii)クリニックの技術者のワークフローに説明を含める効果を検討するための縦断的なユーザ・スタディ・デザイン。
私たちの知る限りでは、AIシステムを使用するがAI特有の専門知識を持たないステークホルダーに対するXAIメソッドの効果を評価するための最初の縦断的研究となるでしょう。
実験的なセットアップに関するフィードバックや提案を歓迎します。
関連論文リスト
- Next-Generation Teleophthalmology: AI-enabled Quality Assessment Aiding Remote Smartphone-based Consultation [0.0]
本稿では,臨床医の判断を模倣した即時フィードバックによるAIによる品質評価システムを提案する。
盲目やその他の眼疾患は、特にインドのような低所得国や中所得国では、世界的な健康上の問題となっている。
論文 参考訳（メタデータ） (2024-02-11T07:27:01Z) - 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) - Case Studies on X-Ray Imaging, MRI and Nuclear Imaging [0.0]
我々は、AIベースのアプローチ、特にCNN(Convolutional Neural Networks)の使用が、医療画像技術による疾患検出にどのように役立つかに焦点を当てる。
CNNは、生の入力画像から特徴を抽出できるため、画像解析の一般的な手法である。
論文 参考訳（メタデータ） (2023-06-03T09:05:35Z) - A Trustworthy Framework for Medical Image Analysis with Deep Learning [71.48204494889505]
TRUDLMIAは医用画像解析のための信頼できるディープラーニングフレームワークである。
新型コロナウイルス(COVID-19)などの公衆衛生危機への対応に深層学習の活用を推進していくため、研究者や臨床医を支援することが期待されている。
論文 参考訳（メタデータ） (2022-12-06T05:30:22Z) - What Do End-Users Really Want? Investigation of Human-Centered XAI for
Mobile Health Apps [69.53730499849023]
説明可能なAI(XAI)を評価するために,ユーザ中心のペルソナ概念を提案する。
分析の結果,ユーザの人口統計や性格,説明のタイプ,影響説明の嗜好が示された。
私たちの洞察は、対話的で人間中心のXAIを実践的な応用に近づけます。
論文 参考訳（メタデータ） (2022-10-07T12:51:27Z) - Artificial Intelligence in Dry Eye Disease [4.444624718360766]
ドライアイ病(DED)は5～50%の頻度である。
医学への応用における近年の成功は、主に機械学習のサブ分野の発展によるものである。
これは、DEDにおけるAIの使用に関する最初の文献レビューである。
論文 参考訳（メタデータ） (2021-09-02T10:17:50Z) - 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) - Knowledge AI: New Medical AI Solution for Medical image Diagnosis [1.6587907336704157]
本稿では,認知型AIと臨床知識と経験を組み合わせた知識AIを提案する。
医用画像の幾何学的情報マイニングは,その経験と情報を表現し,医用画像の品質を評価することができる。
論文 参考訳（メタデータ） (2021-01-08T15:30:09Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳（メタデータ） (2020-04-06T15:21:34Z)
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。