論文の概要: A Generalizable Artificial Intelligence Model for COVID-19
Classification Task Using Chest X-ray Radiographs: Evaluated Over Four
Clinical Datasets with 15,097 Patients
- arxiv url: http://arxiv.org/abs/2210.02189v1
- Date: Tue, 4 Oct 2022 04:12:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 13:42:57.570422
- Title: A Generalizable Artificial Intelligence Model for COVID-19
Classification Task Using Chest X-ray Radiographs: Evaluated Over Four
Clinical Datasets with 15,097 Patients
- Title（参考訳）: 胸部X線写真を用いたCOVID-19分類作業のための汎用人工知能モデル:15,097例の臨床データを用いた評価
- Authors: Ran Zhang, Xin Tie, John W. Garrett, Dalton Griner, Zhihua Qi,
Nicholas B. Bevins, Scott B. Reeder and Guang-Hong Chen
- Abstract要約: トレーニングされたモデルの一般化性は、4つの異なる実世界の臨床データセットを用いて遡及的に評価された。
単一ソースの臨床データセットを使用してトレーニングされたAIモデルは、内部時間テストセットに適用すると、AUCが0.82に達した。
医療画像・データ資源センターが収集した多施設のCOVID-19データセットに適用すると、AUCは0.79に達した。
- 参考スコア（独自算出の注目度）: 6.209420804714487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To answer the long-standing question of whether a model trained from
a single clinical site can be generalized to external sites.
Materials and Methods: 17,537 chest x-ray radiographs (CXRs) from 3,264
COVID-19-positive patients and 4,802 COVID-19-negative patients were collected
from a single site for AI model development. The generalizability of the
trained model was retrospectively evaluated using four different real-world
clinical datasets with a total of 26,633 CXRs from 15,097 patients (3,277
COVID-19-positive patients). The area under the receiver operating
characteristic curve (AUC) was used to assess diagnostic performance.
Results: The AI model trained using a single-source clinical dataset achieved
an AUC of 0.82 (95% CI: 0.80, 0.84) when applied to the internal temporal test
set. When applied to datasets from two external clinical sites, an AUC of 0.81
(95% CI: 0.80, 0.82) and 0.82 (95% CI: 0.80, 0.84) were achieved. An AUC of
0.79 (95% CI: 0.77, 0.81) was achieved when applied to a multi-institutional
COVID-19 dataset collected by the Medical Imaging and Data Resource Center
(MIDRC). A power-law dependence, N^(k )(k is empirically found to be -0.21 to
-0.25), indicates a relatively weak performance dependence on the training data
sizes.
Conclusion: COVID-19 classification AI model trained using well-curated data
from a single clinical site is generalizable to external clinical sites without
a significant drop in performance.
- Abstract（参考訳）: 目的: 1つの臨床現場から訓練されたモデルが外部サイトに一般化できるかどうかという長年の疑問に答えること。
材料と方法:3,264人の新型コロナウイルス陽性患者と4,802人の新型コロナウイルス陰性患者から17,537個の胸部X線写真(CXR)を収集した。
15,097例(3,277 COVID-19陽性)のCXRの合計26,633例の4つの臨床データセットを用いて、トレーニングモデルの一般化性を評価した。
診断性能の評価には受信機動作特性曲線(auc)の下の領域を用いた。
結果: 単一ソースの臨床データセットを用いてトレーニングしたAIモデルは、内部時間テストセットに適用した場合、AUCが0.82(95% CI: 0.80, 0.84)に達した。
2つの臨床施設のデータセットに適用すると、AUCは0.81(95% CI: 0.80, 0.82)と0.82(95% CI: 0.80, 0.84)である。
auc 0.79 (95% ci: 0.77, 0.81) を医療画像・データ資源センター(midrc)が収集した多施設のcovid-19データセットに適用した。
パワーロー依存 n^(k )(k は経験的に -0.21 から -0.25 と示される)は、トレーニングデータサイズに比較的弱いパフォーマンス依存を示す。
結論: 1つの臨床現場から正確なデータを用いて訓練された新型コロナウイルス分類AIモデルは、パフォーマンスが著しく低下することなく、外部臨床現場に一般化可能である。
関連論文リスト
- Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions [0.8864540224289991]
患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
論文 参考訳（メタデータ） (2024-10-14T13:49:04Z) - Incorporating Anatomical Awareness for Enhanced Generalizability and Progression Prediction in Deep Learning-Based Radiographic Sacroiliitis Detection [0.8248058061511542]
本研究の目的は, 深層学習モデルに解剖学的認識を取り入れることで, 一般化性を高め, 疾患進行の予測を可能にするかを検討することである。
モデルの性能は, 受信機動作特性曲線(AUC)下の領域, 精度, 感度, 特異性を用いて比較した。
論文 参考訳（メタデータ） (2024-05-12T20:02:25Z) - 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) - Virtual imaging trials improved the transparency and reliability of AI systems in COVID-19 imaging [1.6040478776985583]
本研究は、CTと胸部X線撮影(CXR)を用いた新型コロナウイルス診断における畳み込みニューラルネットワーク(CNN)の使用に焦点を当てる。
複数のAIモデル、すなわち3D ResNet-likeと2D EfficientNetv2アーキテクチャを開発し、テストした。
最も多様なデータセットでトレーニングされたモデルでは、AUCがCTで0.73から0.76、CXRで0.70から0.73まで、最高の外部テスト性能を示した。
論文 参考訳（メタデータ） (2023-08-17T19:12:32Z) - DeepCOVID-Fuse: A Multi-modality Deep Learning Model Fusing Chest
X-Radiographs and Clinical Variables to Predict COVID-19 Risk Levels [8.593516170110203]
DeepCOVID-Fuseは、新型コロナウイルス患者のリスクレベルを予測するディープラーニング融合モデルである。
CXRと臨床変数で訓練されたDeepCOVID-Fuseの精度は0.658であり、AUCは0.842である。
論文 参考訳（メタデータ） (2023-01-20T20:54:25Z) - 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 Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - 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) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z)
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。