論文の概要: Using Deep Learning to Improve Early Diagnosis of Pneumonia in
Underdeveloped Countries
- arxiv url: http://arxiv.org/abs/2210.05023v1
- Date: Mon, 10 Oct 2022 21:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 17:14:02.598137
- Title: Using Deep Learning to Improve Early Diagnosis of Pneumonia in
Underdeveloped Countries
- Title(参考訳): 深層学習による未開発国における肺炎早期診断の改善
- Authors: Kyler Larsen
- Abstract要約: この仮説は、深層学習モデルがX線形式で入力を受け取り、医師の同等の精度で診断を行うことができるというものである。
このモデルは、所定の正常および異常な肺所見を有する2000枚のX線画像に基づいて訓練された。
結果は、検査されたアルゴリズムが、異常な肺所見を平均82.5%の時間で正確に識別できたことを示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As advancements in technology and medicine are being made, many countries are
still unable to access quality medical care due to cost and lack of qualified
medical personnel. This discrepancy in healthcare has caused many preventable
deaths, either due to lack of detection or lack of care. One of the most
prevalent diseases in the world is pneumonia, an infection of the lungs that
killed 2.56 million people worldwide in 2017. In this same year, the United
States recorded a pneumonia death rate of 15.88 people per 100000 in
population, while much of Sub-Saharan Africa, such as Chad and Guinea,
experienced death rates of over 150 people per 100000. In sub-Saharan Africa,
there is an extreme shortage of doctors and nurses, estimated to be around 2.4
million. The hypothesis being tested is that a deep learning model can receive
input in the form of an x-ray and produce a diagnosis with the equivalent
accuracy of a physician, compared to a prediagnosed image. The model used in
this project is a modified convolutional neural network. The model was trained
on a set of 2000 x-ray images that have predetermined normal and abnormal lung
findings, and then tested on a set of 400 images that contains evenly split
images of pneumonia and healthy lungs. For each computer-run test, data was
collected on a base measurement of accuracy, as well as more specific metrics
such as specificity and sensitivity. Results show that the algorithm tested was
able to accurately identify abnormal lung findings an average of 82.5% of the
time. The model achieved a maximum specificity of 98.5% and a maximum
sensitivity of 90% separately, and the highest simultaneous values of these two
metrics was a sensitivity of 90% and a specificity of 78.5%. This research can
be further improved by testing other deep learning models as well as machine
learning models to improve the metric scores and chance of correct diagnoses.
- Abstract(参考訳): 技術や医療の進歩が進むにつれ、多くの国は、医療費や資格の欠如により、いまだに質の高い医療を受けることができない。
この医療の不一致は、検出の欠如やケアの欠如によって、多くの予防可能な死を引き起こしている。
世界でもっとも一般的な病気の1つが肺炎で、2017年に世界で2億5500万人が死亡した。
同年、アメリカは100000人当たり15.88人の肺炎死亡率を記録したが、チャドやギニアなどサハラ以南のアフリカでは100000人当たり150人以上の死亡率を記録した。
サハラ以南のアフリカでは医師や看護師が極端に不足しており、およそ240万人と推定されている。
テスト中の仮説は、深層学習モデルがX線形式で入力を受け取り、前診断画像と比較して医師の同等の精度で診断できるというものである。
このプロジェクトで使用されるモデルは、畳み込みニューラルネットワークの改良である。
モデルでは、正常肺と異常肺の2000個のx線画像を訓練し、その後、肺炎と健康肺の均等に分割された画像を含む400枚の画像でテストした。
各コンピュータ実行テストでは、精度のベース測定と、特異度や感度などのより具体的な測定値に基づいてデータが収集された。
その結果、試験されたアルゴリズムは、平均82.5%の確率で異常な肺所見を正確に同定することができた。
このモデルは98.5%の最大特異度と90%の最大感度を別々に達成し、これらの2つの指標の最高同時値は90%の感度と78.5%の特異度であった。
この研究は、他のディープラーニングモデルや機械学習モデルをテストすることでさらに改善され、メトリクススコアと正しい診断の可能性を改善することができる。
関連論文リスト
- Empowering Tuberculosis Screening with Explainable Self-Supervised Deep Neural Networks [66.59360534642579]
結核は、特に資源に制限された人口や遠隔地において、世界的な健康危機として存続している。
本研究では,結核症例検診に適した自己指導型自己学習ネットワークを提案する。
ネットワーク全体の精度は98.14%で、それぞれ95.72%と99.44%という高いリコール率と精度を示している。
論文 参考訳(メタデータ) (2024-06-19T18:10:06Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳(メタデータ) (2024-04-26T16:39:50Z) - Advancing Diagnostic Precision: Leveraging Machine Learning Techniques
for Accurate Detection of Covid-19, Pneumonia, and Tuberculosis in Chest
X-Ray Images [0.0]
新型コロナウイルス、結核(TB)、肺炎などの肺疾患は、依然として深刻な世界的な健康上の問題となっている。
救急医療と科学者は、早期の新型コロナウイルス(COVID-19)の診断に信頼性と正確なアプローチを作成するために、集中的に取り組んでいる。
論文 参考訳(メタデータ) (2023-10-09T18:38:49Z) - Evaluate underdiagnosis and overdiagnosis bias of deep learning model on
primary open-angle glaucoma diagnosis in under-served patient populations [64.91773761529183]
原発性オープンアングル緑内障(POAG)はアメリカにおける盲目の主要な原因である。
深層学習は眼底画像を用いたPOAGの検出に広く用いられている。
臨床診断における人間のバイアスは、広く使われているディープラーニングモデルに反映され増幅される可能性がある。
論文 参考訳(メタデータ) (2023-01-26T18:53:09Z) - A Comparison Study of Deep CNN Architecture in Detecting of Pneumonia [0.0]
細菌やウイルスによる呼吸器感染症である肺炎は、多くの人々に影響を及ぼす。
画像に基づいて植物病を分類し、その性能をテストするディープ畳み込みニューラルネットワーク。
DenseNet201は、非常に少ないパラメータと妥当な計算時間で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-12-30T14:37:32Z) - Predicting Pneumonia and Region Detection from X-Ray Images using Deep
Neural Network [0.0]
肺炎は、人の肺気嚢の炎症によって細菌とウイルスの両方によって引き起こされる感染症です。
本稿では,X線画像を入力として受信し,この患者が肺炎に罹患しているかどうかを検証するアルゴリズムを提案する。
このモデルは90.6パーセントの精度を達成し、モデルの有効性を確認している。
論文 参考訳(メタデータ) (2021-01-19T16:43:05Z) - Deep Learning Methods for Screening Pulmonary Tuberculosis Using Chest
X-rays [0.974672460306765]
提案したディープラーニングパイプラインは,肺X線の生成,分画,分類を行う,最先端の3つのアーキテクチャの異なる状態で構成されている。
分類精度は97.1% (Youden's index-0.941, Sensitivity of 97.9%, specificity of 96.2%) となり,既存の文献と比較してかなり改善された。
論文 参考訳(メタデータ) (2020-12-25T14:21:35Z) - Timely Tracking of Infection Status of Individuals in a Population [70.21702849459986]
住民の感染状況のリアルタイム追跡について検討した。
この研究では、医療提供者が感染症から回復した人だけでなく、感染した人々も検出したいと考えています。
論文 参考訳(メタデータ) (2020-12-24T18:49:22Z) - An ensemble-based approach by fine-tuning the deep transfer learning
models to classify pneumonia from chest X-ray images [0.0]
米国では、主に成人の25万人以上が肺炎と診断され、5万人が死亡している。
よく訓練された放射線科医の肺炎検出を見逃すことは珍しくなく、診断の正確性を改善する必要がある。
InceptionResNet、MobileNetV2、Xception、DenseNet201、ResNet152V2といった最先端のディープラーニングモデルを訓練、微調整して、肺炎を正確に分類しました。
論文 参考訳(メタデータ) (2020-11-11T04:50:06Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳(メタデータ) (2020-05-28T10:54:34Z) - Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware
Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。
胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。
ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文 参考訳(メタデータ) (2020-03-27T11:32:18Z)
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。