論文の概要: Tutorial on the development of AI models for medical image analysis
- arxiv url: http://arxiv.org/abs/2208.00766v1
- Date: Thu, 14 Jul 2022 11:21:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-07 14:39:04.202707
- Title: Tutorial on the development of AI models for medical image analysis
- Title(参考訳): 医用画像解析のためのaiモデルの開発に関するチュートリアル
- Authors: Thijs Kooi
- Abstract要約: コンピュータを使って医療スキャンを読むというアイデアは1966年に初めて導入された。
2012年のAlexnetのブレークスルーは、このトピックに新たな関心を喚起した。
いくつかの病気やモダリティが成功したにもかかわらず、多くの課題が残っている。
- 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: The idea of using computers to read medical scans was introduced as early as
1966. However, limits to machine learning technology meant progress was slow
initially. The Alexnet breakthrough in 2012 sparked new interest in the topic,
which resulted in the release of 100s of medical AI solutions on the market. In
spite of success for some diseases and modalities, many challenges remain.
Research typically focuses on the development of specific applications or
techniques, clinical evaluation, or meta analysis of clinical studies or
techniques through surveys or challenges. However, limited attention has been
given to the development process of improving real world performance. In this
tutorial, we address the latter and discuss some techniques to conduct the
development process in order to make this as efficient as possible.
- Abstract(参考訳): コンピュータを使って医療スキャンを読むというアイデアは、1966年に導入された。
しかし、機械学習技術の限界は、当初は進歩が遅かったことを意味する。
2012年のAlexnetのブレークスルーは、このトピックに対する新たな関心を呼び、市場に100の医療AIソリューションがリリースされた。
いくつかの病気やモダリティの成功にもかかわらず、多くの課題が残っている。
研究は通常、調査や課題を通じて、特定の応用や技術の開発、臨床評価、臨床研究や技術のメタ分析に焦点を当てる。
しかし、実世界のパフォーマンスを改善するための開発プロセスには限定的な注意が払われている。
本チュートリアルでは,後者を取り上げ,開発プロセスを可能な限り効率的に行うための手法について議論する。
関連論文リスト
- Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳(メタデータ) (2023-06-06T10:18:36Z) - Robotic Navigation Autonomy for Subretinal Injection via Intelligent
Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。
提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。
ブタ前眼の精度と再現性について実験を行った。
論文 参考訳(メタデータ) (2023-01-17T21:41:21Z) - The Role of AI in Drug Discovery: Challenges, Opportunities, and
Strategies [97.5153823429076]
この分野でのAIのメリット、課題、欠点についてレビューする。
データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
論文 参考訳(メタデータ) (2022-12-08T23:23:39Z) - A Survey on Computer Vision based Human Analysis in the COVID-19 Era [58.79053747159797]
新型コロナウイルスの出現は、社会全体だけでなく、個人の生活にも大きく影響している。
マスクやソーシャルディスタンシングの義務、公共空間での定期消毒、スクリーニングアプリケーションの使用など、さまざまな予防策が世界中で導入されている。
これらの発展は、(i)視覚データの自動解析による予防対策の支援、(ii)生体認証などの既存の視覚ベースのサービスの正常な操作を容易にする、新しいコンピュータビジョン技術の必要性を喚起した。
論文 参考訳(メタデータ) (2022-11-07T17:20:39Z) - 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) - Nuclei & Glands Instance Segmentation in Histology Images: A Narrative
Review [0.5893124686141781]
組織像における核と腺のセグメンテーションは、計算病理のワークフローにおいて重要なステップである。
現代的なハードウェアの出現により、大規模で高品質な公開データセットが最近利用可能になり、組織化された大きな課題が自動化メソッドの急増に遭遇した。
この調査では,過去5年~2022年に公表された,原子核と腺のセグメンテーションに関するAIベースの手法を解説した126の論文を深く分析した。
論文 参考訳(メタデータ) (2022-08-26T06:52:15Z) - Levels of Autonomous Radiology [0.0]
医療データを用いた人工知能(AI)アプリケーションの開発と採用は、放射線学の次のフェーズに繋がる。
アノテーションやレポートジェネレーションなどの面倒な手作業の自動化に加えて,評価ワークフローにおいて,放射線技師を支援するケースの放射線学的評価も実施する。
本稿では,放射線学における自動化の進展をレベルワイドに分類し,各レベルにおけるAI支援を課題と解決策で説明する。
論文 参考訳(メタデータ) (2021-12-14T10:41:56Z) - A Review of Artificial Intelligence Technologies for Early Prediction of
Alzheimer's Disease [1.1650381752104297]
アルツハイマー病(英: Alzheimer's Disease、AD)は、記憶と脳機能を破壊する重度の脳疾患である。
早期認知症の信頼性と効果的な評価は, 医用画像技術やコンピュータ支援アルゴリズムに欠かせない研究となっている。
論文 参考訳(メタデータ) (2020-12-22T01:05:34Z) - Achievements and Challenges in Explaining Deep Learning based
Computer-Aided Diagnosis Systems [4.9449660544238085]
我々は、既知の疾患基準の検証のための説明可能なAIの開発における初期の成果について論じる。
我々は、臨床意思決定支援ツールとしてのAIの実践的応用の道に立つ、残る課題をいくつか強調する。
論文 参考訳(メタデータ) (2020-11-26T08:08:19Z) - 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) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳(メタデータ) (2020-08-05T15:45:54Z)
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。