論文の概要: An Accurate and Explainable Deep Learning System Improves Interobserver
Agreement in the Interpretation of Chest Radiograph
- arxiv url: http://arxiv.org/abs/2208.03545v1
- Date: Sat, 6 Aug 2022 17:03:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 14:02:35.759587
- Title: An Accurate and Explainable Deep Learning System Improves Interobserver
Agreement in the Interpretation of Chest Radiograph
- Title(参考訳): 正確かつ説明可能な深層学習システムによる胸部x線画像の解釈におけるobserver agreementの改善
- Authors: Hieu H. Pham, Ha Q. Nguyen, Hieu T. Nguyen, Linh T. Le, Lam Khanh
- Abstract要約: VinDr-CXRは、CXRスキャンを複数の胸腺疾患に分類し、画像上の重要な発見のほとんどをローカライズすることができる。
提案システムにより,Fleiss' Kappa平均の1.5%の増加により,放射線学者間の合意が大幅に改善された。
- 参考スコア(独自算出の注目度): 0.33598755777055367
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent artificial intelligence (AI) algorithms have achieved
radiologist-level performance on various medical classification tasks. However,
only a few studies addressed the localization of abnormal findings from CXR
scans, which is essential in explaining the image-level classification to
radiologists. We introduce in this paper an explainable deep learning system
called VinDr-CXR that can classify a CXR scan into multiple thoracic diseases
and, at the same time, localize most types of critical findings on the image.
VinDr-CXR was trained on 51,485 CXR scans with radiologist-provided bounding
box annotations. It demonstrated a comparable performance to experienced
radiologists in classifying 6 common thoracic diseases on a retrospective
validation set of 3,000 CXR scans, with a mean area under the receiver
operating characteristic curve (AUROC) of 0.967 (95% confidence interval [CI]:
0.958-0.975). The VinDr-CXR was also externally validated in independent
patient cohorts and showed its robustness. For the localization task with 14
types of lesions, our free-response receiver operating characteristic (FROC)
analysis showed that the VinDr-CXR achieved a sensitivity of 80.2% at the rate
of 1.0 false-positive lesion identified per scan. A prospective study was also
conducted to measure the clinical impact of the VinDr-CXR in assisting six
experienced radiologists. The results indicated that the proposed system, when
used as a diagnosis supporting tool, significantly improved the agreement
between radiologists themselves with an increase of 1.5% in mean Fleiss' Kappa.
We also observed that, after the radiologists consulted VinDr-CXR's
suggestions, the agreement between each of them and the system was remarkably
increased by 3.3% in mean Cohen's Kappa.
- Abstract(参考訳): 最近の人工知能(AI)アルゴリズムは、様々な医学分類タスクにおいて放射線学レベルの性能を達成した。
しかし、CXRスキャンによる異常所見の局所化は、放射線医に画像レベルの分類を説明する上で不可欠である。
本稿では,CXRスキャンを複数の胸部疾患に分類できるVinDr-CXRという,説明可能な深層学習システムについて紹介する。
VinDr-CXRは51,485個のCXRスキャンで放射線学者によるバウンディングボックスアノテーションを用いて訓練された。
6つの一般的な胸椎疾患を3000のcxrスキャンで分類し、受信者の動作特性曲線(auroc)下の平均面積は0.967(95%信頼区間[ci]:0.958-0.975)であった。
VinDr-CXRは、独立した患者コホートにおいても外部から検証され、その堅牢性を示した。
VinDr-CXRは,14種類の病変を有する局所化タスクにおいて,スキャン毎に検出された1.0偽陽性病変の頻度で80.2%の感度を示した。
VinDr-CXRの臨床効果を6名の経験者を支援するために,前向きに検討した。
その結果,診断支援ツールとして使用すると,Fleiss' Kappa平均の1.5%の増加により,放射線科医間の合意が著しく改善した。
また, 放射線学者がVinDr-CXRの提案を相談した結果, コーエンのカッパ平均値の3.3%で, 両者の合意が著しく増加した。
関連論文リスト
- Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - A deep learning pipeline for localization, differentiation, and
uncertainty estimation of liver lesions using multi-phasic and multi-sequence
MRI [15.078841623264543]
肝病変評価のための完全自動コンピュータ支援診断(CAD)ソリューションを提案する。
肝切除または生検を施行し,肝癌(HCC),肝内胆管癌,二次転移と診断された400例を経験した。
キースライス解析を用いて3次元MRI画像から病変を局所化し,その診断に信頼性を提供する完全自動深部CADパイプラインを提案する。
論文 参考訳(メタデータ) (2021-10-17T13:19:00Z) - VinDr-SpineXR: A deep learning framework for spinal lesions detection
and classification from radiographs [0.812774532310979]
本研究の目的は,脊椎X線からの異常の分類と局所化を目的とした,深層学習に基づくフレームワーク VinDr-SpineXR の開発と評価である。
5000件の研究から得られた10,468個の脊椎X線画像からなる大規模なデータセットを構築した。
VinDr-SpineXRは、1000の研究から得られた2,078枚の画像で評価され、トレーニングセットとは分離されている。
論文 参考訳(メタデータ) (2021-06-24T11:45:44Z) - COVID-Net CXR-2: An Enhanced Deep Convolutional Neural Network Design
for Detection of COVID-19 Cases from Chest X-ray Images [58.35627258364233]
RT-PCR検査への無料スクリーニング戦略として胸部X線(CXR)イメージングの使用は成長し続けています。
我々は、CXR画像からCOVID-19を検出するための深層畳み込みニューラルネットワーク設計であるCOVID-Net CXR-2を紹介する。
ベンチマークデータセットは、少なくとも51カ国16,656人の多国籍コホートから19,203個のCXR画像で構成された。
論文 参考訳(メタデータ) (2021-05-14T04:29:21Z) - COVID-Net CXR-S: Deep Convolutional Neural Network for Severity
Assessment of COVID-19 Cases from Chest X-ray Images [74.77272804752306]
胸部CXR画像に基づくSARS-CoV-2陽性患者の空間重症度を予測する畳み込みニューラルネットワークであるCOVID-Net CXR-Sについて紹介する。
患者15,000人以上の多国籍コホートから得られた16,000以上のCXR画像から得られた表現的知識を,重症度評価のためのカスタムネットワークアーキテクチャへ伝達する。
提案したCXR-Sは、新型コロナウイルス陽性患者のCXR画像のコンピュータ支援による重症度評価のための強力なツールとなる可能性がある。
論文 参考訳(メタデータ) (2021-05-01T14:15:12Z) - 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) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳(メタデータ) (2021-03-19T14:13:56Z) - Predicting Clinical Outcomes in COVID-19 using Radiomics and Deep
Learning on Chest Radiographs: A Multi-Institutional Study [3.3839341058136054]
新型コロナウイルス感染症(COVID-19)患者の胸部X線写真(CXR)の計算モデルを用いて,機械的換気要件と死亡率を予測する。
2020年3月から8月にかけて、Stony Brook大学病院とNewark Beth Israel Medical Centerで治療された新型コロナウイルス患者530種のCXRを解析した。
論文 参考訳(メタデータ) (2020-07-15T22:48:11Z) - COVID-Net S: Towards computer-aided severity assessment via training and
validation of deep neural networks for geographic extent and opacity extent
scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。
本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文 参考訳(メタデータ) (2020-05-26T16:33:52Z) - Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease
Dependencies and Uncertainty Labels [0.33598755777055367]
本稿では,14の一般的な胸部疾患の存在と観察を診断するための,深部畳み込みニューラルネットワーク(CNN)に基づく枠組みを提案する。
提案手法はCheXpertコンペティションのinde-pendentテストセット上でも評価され, 経験者5名によるアパネルでアノテートされた500個のCXR研究が含まれている。
論文 参考訳(メタデータ) (2020-05-25T11:07:53Z)
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。