論文の概要: minoHealth.ai: A Clinical Evaluation Of Deep Learning Systems For the Diagnosis of Pleural Effusion and Cardiomegaly In Ghana, Vietnam and the United States of America

• arxiv url: http://arxiv.org/abs/2211.00644v1
• Date: Mon, 31 Oct 2022 20:12:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 14:04:40.055355
• Title: minoHealth.ai: A Clinical Evaluation Of Deep Learning Systems For the Diagnosis of Pleural Effusion and Cardiomegaly In Ghana, Vietnam and the United States of America
• Title（参考訳）: minohealth.ai : ガーナ,ベトナム,アメリカ合衆国における胸水および心電図診断のための深層学習システムの臨床評価
• Authors: Darlington Akogo, Issah Abubakari Samori, Bashiru Babatunde Jimah, Dorothea Akosua Anim, Yaw Boateng Mensah, Benjamin Dabo Sarkodie
• Abstract要約: 我々は、私のminoHealth AI Labsを開発したminoHealth.aiシステムが、心内膜および胸膜灌流の診断において、いかにうまく機能するかを評価する。 ガーナ、ベトナム、米国からの胸部X線、そしてガーナで働く放射線学者と比べて、AIシステムがいかにうまく機能するか。 MinoHealth.aiはAUC-ROCが0.9と0.97であり、AUC-ROCは0.77から0.86であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A rapid and accurate diagnosis of cardiomegaly and pleural effusion is of the utmost importance to reduce mortality and medical costs. Artificial Intelligence has shown promise in diagnosing medical conditions. With this study, we seek to evaluate how well Artificial Intelligence (AI) systems, developed my minoHealth AI Labs, will perform at diagnosing cardiomegaly and pleural effusion, using chest x-rays from Ghana, Vietnam and the USA, and how well AI systems will perform when compared with radiologists working in Ghana. The evaluation dataset used in this study contained 100 images randomly selected from three datasets. The Deep Learning models were further tested on a larger Ghanaian dataset containing five hundred and sixty one (561) samples. Two AI systems were then evaluated on the evaluation dataset, whilst we also gave the same chest x-ray images within the evaluation dataset to 4 radiologists, with 5 - 20 years experience, to diagnose independently. For cardiomegaly, minoHealth.ai systems scored Area under the Receiver operating characteristic Curve (AUC-ROC) of 0.9 and 0.97 while the AUC-ROC of individual radiologists ranged from 0.77 to 0.87. For pleural effusion, the minoHealth.ai systems scored 0.97 and 0.91 whereas individual radiologists scored between 0.75 and 0.86. On both conditions, the best performing AI model outperforms the best performing radiologist by about 10%. We also evaluate the specificity, sensitivity, negative predictive value (NPV), and positive predictive value (PPV) between the minoHealth.ai systems and radiologists.
• Abstract（参考訳）: 急速かつ正確な心内膜および胸膜灌流の診断は、死亡率と医療費の削減に最も重要である。 人工知能は健康状態の診断に有望である。 本研究は,私のminoHealth AI Labsを開発した人工知能(AI)システムが,ガンナ,ベトナム,米国からの胸部X線を用いて,心筋および胸部灌流の診断にどの程度効果があるか,また,ガーナで働く放射線学者と比較した場合のAIシステムの性能を評価することを目的とする。 本研究で使用した評価データセットは、3つのデータセットからランダムに選択された100の画像を含む。 深層学習モデルは、500と601(561)のサンプルを含むより大きなガーナのデータセットでさらにテストされた。 2つのAIシステムが評価データセット上で評価され、評価データセット内の同じ胸部X線画像が5～20年の経験を持つ4人の放射線科医に提供された。 MinoHealth.aiはAUC-ROCが0.9と0.97であり、AUC-ROCは0.77から0.87であった。 胸水では、minohealth.aiシステムは0.97から0.91、個々の放射線科医は0.75から0.86だった。 どちらの条件でも、最高のパフォーマンスAIモデルは、最高のパフォーマンスラジオロジストを約10%上回っている。 また,minoHealth.aiシステムと放射線技師間の特異性,感度,負の予測値(NPV)および正の予測値(PPV)を評価した。

関連論文リスト

• 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)
• Artificial Intelligence System for Detection and Screening of Cardiac Abnormalities using Electrocardiogram Images [17.625471536027693]
  本稿では,実際の心電図画像から心疾患(CA)を検出し,スクリーニングするAIシステムを提案する。 このシステムは、世界中の複数の地域および人口から52,357人の患者の大規模なデータセットで評価された。 本研究は,CA検出およびスクリーニングのための精度,客観的,使いやすさ,高速,低コストなAIシステムの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-02-10T10:54:33Z)
• 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)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• 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)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• 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)
• Deep Learning for fully automatic detection, segmentation, and Gleason Grade estimation of prostate cancer in multiparametric Magnetic Resonance Images [0.731365367571807]
  本稿では,PCa-suspect 患者から前立腺 mpMRI を抽出するDeep Learning に基づく完全自動システムを提案する。 PCaの病変を特定し、それらを分類し、最も可能性の高いGleason grade group(GGG)を予測する。 ProstateXトレーニングシステムのコードはhttps://github.com/OscarPellicer/prostate_lesion_detection.comで公開されている。
  論文  参考訳（メタデータ） (2021-03-23T16:08:43Z)
• 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)
• 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)
• A neural network model that learns differences in diagnosis strategies among radiologists has an improved area under the curve for aneurysm status classification in magnetic resonance angiography image series [0.0]
  この振り返り研究には、3423の飛行時間脳磁気共鳴血管造影画像シリーズが含まれていた。 画像は4人の検診医の1人によって、動脈瘤のステータスのために独立して読み上げられた。 構築した神経回路は, 動脈瘤領域を0から5に分類するために訓練された。
  論文  参考訳（メタデータ） (2020-02-03T19:19:57Z)

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。