論文の概要: Robustness of an Artificial Intelligence Solution for Diagnosis of
Normal Chest X-Rays
- arxiv url: http://arxiv.org/abs/2209.09204v1
- Date: Wed, 31 Aug 2022 09:54:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 17:47:54.638134
- Title: Robustness of an Artificial Intelligence Solution for Diagnosis of
Normal Chest X-Rays
- Title（参考訳）: 正常胸部X線診断のための人工知能ソリューションのロバスト性
- Authors: Tom Dyer, Jordan Smith, Gaetan Dissez, Nicole Tay, Qaiser Malik, Tom
Naunton Morgan, Paul Williams, Liliana Garcia-Mondragon, George Pearse, and
Simon Rasalingham
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Purpose: Artificial intelligence (AI) solutions for medical diagnosis require
thorough evaluation to demonstrate that performance is maintained for all
patient sub-groups and to ensure that proposed improvements in care will be
delivered equitably. This study evaluates the robustness of an AI solution for
the diagnosis of normal chest X-rays (CXRs) by comparing performance across
multiple patient and environmental subgroups, as well as comparing AI errors
with those made by human experts.
Methods: A total of 4,060 CXRs were sampled to represent a diverse dataset of
NHS patients and care settings. Ground-truth labels were assigned by a
3-radiologist panel. AI performance was evaluated against assigned labels and
sub-groups analysis was conducted against patient age and sex, as well as CXR
view, modality, device manufacturer and hospital site.
Results: The AI solution was able to remove 18.5% of the dataset by
classification as High Confidence Normal (HCN). This was associated with a
negative predictive value (NPV) of 96.0%, compared to 89.1% for diagnosis of
normal scans by radiologists. In all AI false negative (FN) cases, a
radiologist was found to have also made the same error when compared to final
ground-truth labels. Subgroup analysis showed no statistically significant
variations in AI performance, whilst reduced normal classification was observed
in data from some hospital sites.
Conclusion: We show the AI solution could provide meaningful workload savings
by diagnosis of 18.5% of scans as HCN with a superior NPV to human readers. The
AI solution is shown to perform well across patient subgroups and error cases
were shown to be subjective or subtle in nature.
- Abstract（参考訳）: 目的: 医療診断のための人工知能(AI)ソリューションは、全ての患者サブグループでパフォーマンスが維持され、提案されたケア改善が公平に行われることを証明するために、徹底的な評価が必要である。
本研究は, 正常胸部X線(CXR)の診断におけるAIソリューションのロバスト性について, 複数の患者および環境サブグループ間での性能を比較し, 人的専門家によるAIエラーとの比較を行った。
方法:NHS患者とケア設定の多様なデータセットを表すために,合計4,060個のCXRを採取した。
地上のラベルには3つの放射線科医のパネルが割り当てられた。
aiのパフォーマンスは、割り当てられたラベルに対して評価され、サブグループ分析は、患者年齢と性別、およびcxrビュー、モダリティ、デバイスメーカー、病院サイトに対して行われた。
結果: AIソリューションは、データセットの18.5%をHigh Confidence Normal (HCN)に分類することで削除することができた。
これは96.0%の負の予測値(NPV)と関連付けられ、放射線医による正常なスキャンの診断では89.1%であった。
あらゆるAI偽陰性(FN)症例では、放射線科医が最終接地ラベルと比較すると、同じ誤りを犯したことが判明した。
サブグループ分析ではAIの性能に統計的に有意な変動は見られなかったが, 通常の分類は一部の病院で観測された。
結論: スキャンの18.5%をhcnと診断することで、aiソリューションが有意義なワークロード削減を実現できることを示す。
aiソリューションは患者のサブグループ間でうまく動作し、エラーケースは主観的あるいは微妙な性質であることが示されている。
関連論文リスト
- Multi-modal AI for comprehensive breast cancer prognostication [18.691704371847855]
そこで我々は,新しいAI手法を用いて,デジタル病理と臨床特性に基づく乳癌患者層化試験を開発した。
この検査は15のコホートにまたがる8,161人の乳癌患者のデータを用いて開発・評価された。
その結果、我々のAIテストは精度を向上し、幅広い患者に適用性を高め、治療選択ツールへのアクセスを向上させることが示唆された。
論文 参考訳（メタデータ） (2024-10-28T17:54:29Z) - 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) - AI-based software for lung nodule detection in chest X-rays -- Time for
a second reader approach? [0.0]
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。
論文 参考訳（メタデータ） (2022-06-22T08:35:04Z) - Re-defining Radiology Quality Assurance (QA) -- Artificial Intelligence
(AI)-Based QA by Restricted Investigation of Unequal Scores (AQUARIUS) [0.0]
我々は、不平等スコア(Aquarius)の限定的調査による人工知能(AI)に基づくQUality Assuranceという新しいアプローチを提案する。
AQUARIUSは通常、放射線学レポートにおけるAIベースの画像解析と自然言語処理(NLP)の自動比較を含む。
AQUARIUS と NLP を最終放射線学報告に使用し、29件の未分類症例の専門的神経放射線学レビューを対象とし、ヒトのQA の労力を98.5%削減した。
論文 参考訳（メタデータ） (2022-05-02T02:56:28Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - 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) - An Explainable AI System for Automated COVID-19 Assessment and Lesion
Categorization from CT-scans [8.694504007704994]
SARS-CoV-2病原体による新型コロナウイルス感染症は、世界中で壊滅的なパンデミックである。
深層学習パラダイムに基づくAIを用いたパイプラインを提案し,CTスキャンによるCOVID-19検出と病変分類を自動化した。
論文 参考訳（メタデータ） (2021-01-28T11:47:35Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。