論文の概要: Artificial Intelligence System for Detection and Screening of Cardiac
Abnormalities using Electrocardiogram Images
- arxiv url: http://arxiv.org/abs/2302.10301v1
- Date: Fri, 10 Feb 2023 10:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-26 14:16:51.157319
- Title: Artificial Intelligence System for Detection and Screening of Cardiac
Abnormalities using Electrocardiogram Images
- Title（参考訳）: 心電図画像を用いた心臓異常検出・スクリーニングのための人工知能システム
- Authors: Deyun Zhang, Shijia Geng, Yang Zhou, Weilun Xu, Guodong Wei, Kai Wang,
Jie Yu, Qiang Zhu, Yongkui Li, Yonghong Zhao, Xingyue Chen, Rui Zhang, Zhaoji
Fu, Rongbo Zhou, Yanqi E, Sumei Fan, Qinghao Zhao, Chuandong Cheng, Nan Peng,
Liang Zhang, Linlin Zheng, Jianjun Chu, Hongbin Xu, Chen Tan, Jian Liu,
Huayue Tao, Tong Liu, Kangyin Chen, Chenyang Jiang, Xingpeng Liu, Shenda Hong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 17.625471536027693
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The artificial intelligence (AI) system has achieved expert-level performance
in electrocardiogram (ECG) signal analysis. However, in underdeveloped
countries or regions where the healthcare information system is imperfect, only
paper ECGs can be provided. Analysis of real-world ECG images (photos or scans
of paper ECGs) remains challenging due to complex environments or interference.
In this study, we present an AI system developed to detect and screen cardiac
abnormalities (CAs) from real-world ECG images. The system was evaluated on a
large dataset of 52,357 patients from multiple regions and populations across
the world. On the detection task, the AI system obtained area under the
receiver operating curve (AUC) of 0.996 (hold-out test), 0.994 (external test
1), 0.984 (external test 2), and 0.979 (external test 3), respectively.
Meanwhile, the detection results of AI system showed a strong correlation with
the diagnosis of cardiologists (cardiologist 1 (R=0.794, p<1e-3), cardiologist
2 (R=0.812, p<1e-3)). On the screening task, the AI system achieved AUCs of
0.894 (hold-out test) and 0.850 (external test). The screening performance of
the AI system was better than that of the cardiologists (AI system (0.846) vs.
cardiologist 1 (0.520) vs. cardiologist 2 (0.480)). Our study demonstrates the
feasibility of an accurate, objective, easy-to-use, fast, and low-cost AI
system for CA detection and screening. The system has the potential to be used
by healthcare professionals, caregivers, and general users to assess CAs based
on real-world ECG images.
- Abstract（参考訳）: 人工知能(AI)システムは心電図(ECG)信号解析において専門家レベルの性能を達成した。
しかし、医療情報システムが不十分な未開発国や地域では、紙ECGしか提供できない。
実世界のECG画像(紙ECGの写真やスキャン)の分析は、複雑な環境や干渉のために難しいままである。
本研究では,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。
検出作業において、AIシステムは、それぞれ0.996(ホールドアウトテスト)、0.994(外部テスト1)、0.984(外部テスト2)、0.979(外部テスト3)の受信操作曲線(AUC)の領域を得た。
一方, 心臓科医(R=0.794, p<1e-3), 心臓科医(R=0.812, p<1e-3)の診断には強い相関が認められた。
スクリーニングタスクでは、AIシステムは0.894(ホールドアウトテスト)と0.850(外部テスト)のAUCを達成した。
aiシステムのスクリーニング性能は, 循環器科医より優れていた (ai system (0.846) vs. cardioologist 1 (0.520) vs. cardioologist 2 (0.480))。
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。
このシステムは、医療専門家、介護者、一般ユーザによって実際のECG画像に基づいてCAを評価するために使用される可能性がある。
関連論文リスト
- Cardiac Copilot: Automatic Probe Guidance for Echocardiography with World Model [66.35766658717205]
心臓の複雑な構造と重要な手術上の課題のため、経験豊富なソノグラフィーが不足している。
本稿では,リアルタイムなプローブ移動誘導が可能なCardiac Copilotシステムを提案する。
中心となるイノベーションは、心臓の空間構造を表現するためのデータ駆動の世界モデル、Cardiac Dreamerの提案である。
実世界の超音波データとそれに対応するプローブの動きを,3人のソノグラフィーによる151Kサンプル対を用いた110の定期的な臨床スキャンからトレーニングする。
論文 参考訳（メタデータ） (2024-06-19T02:42:29Z) - 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) - Prospects for AI-Enhanced ECG as a Unified Screening Tool for Cardiac and Non-Cardiac Conditions -- An Explorative Study in Emergency Care [0.9503773054285559]
本研究は,救急部門で収集した心電図に基づいて,心臓および非心臓の退院診断の多様な範囲を予測できる単一モデルの有用性について検討する。
その結果,AUROCスコア0.8を超えるという意味では,253,81心,172非心,ICD符号を統計的に有意に予測できることがわかった。
論文 参考訳（メタデータ） (2023-12-18T09:29:42Z) - Echocardiogram Foundation Model -- Application 1: Estimating Ejection
Fraction [2.4164193358532438]
心エコー基礎モデルであるエコーAIを導入し,150万個の心エコーを用いて自己教師付き学習(SSL)を用いて訓練した。
我々は,EchoAIを微調整し,平均絶対パーセンテージ誤差を9.40%と評価した。
論文 参考訳（メタデータ） (2023-11-21T13:00:03Z) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳（メタデータ） (2023-05-17T09:06:39Z) - Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial
Hemorrhage Etiology based on CT Scan [40.51754649947294]
深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。
診断成績は臨床医の成績と比較した。
臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
論文 参考訳（メタデータ） (2023-02-02T08:45:17Z) - 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 [0.0]
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。
論文 参考訳（メタデータ） (2022-10-31T20:12:41Z) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳（メタデータ） (2021-12-18T17:05:53Z) - Estimation of atrial fibrillation from lead-I ECGs: Comparison with
cardiologists and machine learning model (CurAlive), a clinical validation
study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。
本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文 参考訳（メタデータ） (2021-04-15T12:50:16Z) - 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) - 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)
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。