論文の概要: Mpox-AISM: AI-Mediated Super Monitoring for Mpox and Like-Mpox
- arxiv url: http://arxiv.org/abs/2303.09780v3
- Date: Thu, 21 Mar 2024 12:05:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-22 20:39:25.437000
- Title: Mpox-AISM: AI-Mediated Super Monitoring for Mpox and Like-Mpox
- Title(参考訳): Mpox-AISM: AIによるMpoxとLike-Mpoxのスーパーモニタリング
- Authors: Yubiao Yue, Minghua Jiang, Xinyue Zhang, Jialong Xu, Huacong Ye, Fan Zhang, Zhenzhang Li, Yang Li,
- Abstract要約: 人工知能とインターネット技術を用いたリアルタイム可視化戦略「スーパーモニタリング」を提案する。
このようなAIによるスーパーモニタリング(Mpox-AISM)は、ディープラーニングモデル、データ拡張、自己教師型学習、クラウドサービスによって組み立てられたフレームワークを起動する。
Mpox-AISMの全体的な精度は、両生類、同種皮膚疾患6例、正常皮膚の診断において94.51%に達する。
- 参考スコア(独自算出の注目度): 7.381293390784665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The key to preventing the spread of mpox (monkeypox) lies in timely, convenient, and accurate diagnosis for earlier-stage infected individuals. Unfortunately, the resemblances between common skin diseases and mpox and the need for professional diagnosis inevitably deteriorated the diagnosis of earlier-stage patients with Mpox and contributed to its widespread outbreak in crowded areas. Here, we proposed a real-time visualization strategy called "Super Monitoring" using artificial intelligence and Internet technology, thereby performing a low-cost, convenient, timely, and unspecialized diagnosis for earlier-stage mpox. Specifically, such AI-mediated "super monitoring" (Mpox-AISM) invokes a framework assembled by deep learning models, data augmentation, self-supervised learning, and cloud services. Verified by publicly available datasets, the Precision, Recall, Specificity, and F1-score of Mpox-AISM in diagnosing mpox achieved 99.3%, 94.1%, 99.9%, and 96.6%, respectively. Furthermore, Mpox-AISM's overall accuracy reaches 94.51% in diagnosing mpox, six like-mpox skin diseases, and normal skin. We also employed gradient-weighted class activation mapping to explain the decision-making process of Mpox-AISM, thus handily understanding the specific characteristics that may indicate the mpox's onset and improving its reliability. With the help of the Internet and communication terminal, Mpox-AISM can perform a real-time, low-cost, and convenient diagnosis for earlier-stage mpox in various real-world settings, thereby effectively curbing the spread of mpox virus.
- Abstract(参考訳): アンポックス(モンキーポックス)の拡散を防ぐための鍵は、早期に感染した人の時間的、便利な、正確な診断にある。
不幸なことに、一般的な皮膚疾患とmpoxとの類似性と専門診断の必要性は、Mpoxの早期診断を必然的に悪化させ、混雑した地域での流行に寄与した。
そこで我々は,人工知能とインターネット技術を用いたリアルタイム可視化手法"Super Monitoring"を提案する。
具体的には、AIを介するスーパーモニタリング(Mpox-AISM)は、ディープラーニングモデル、データ拡張、自己教師型学習、クラウドサービスによって組み立てられたフレームワークを起動する。
公開データセットで検証されたMpox-AISMの精度、リコール、特異性、F1スコアはそれぞれ99.3%、94.1%、99.9%、96.6%である。
さらに、Mpox-AISMの全体的な精度は、両生類、同種皮膚疾患6例、正常皮膚の診断において94.51%に達する。
また,Mpox-AISMの決定過程を説明するために,勾配重み付きクラスアクティベーションマッピングを用いた。
インターネットと通信端末の助けを借りて、Mpox-AISMは、様々な現実の環境で、早期のmpoxに対してリアルタイム、低コスト、便利な診断を行うことができ、これにより、mpoxウイルスの拡散を効果的に抑制することができる。
関連論文リスト
- Development and Validation of a Deep Learning-Based Microsatellite
Instability Predictor from Prostate Cancer Whole-Slide Images [1.4942902702740595]
マイクロサテライト不安定高(MSI-H)は免疫チェックポイントインヒビター治療のための腫瘍非依存バイオマーカーである。
我々は、日常的なH&Eスライドの大規模実世界コホート上で、AIベースのMSI-H診断モデルを開発し、検証した。
このアルゴリズムは前立腺癌患者を免疫療法に誘導し、リンチ症候群に続発するMSI-H症例を同定する可能性がある。
論文 参考訳(メタデータ) (2023-10-12T22:09:53Z) - SyMPox: An Automated Monkeypox Detection System Based on Symptoms Using
XGBoost [0.0]
SyMPoxは、症状を評価し、信頼できるMonkeypox診断を得るために、ユーザフレンドリーなプラットフォームを提供する。
SyMPoxはロバストなXGBoostアルゴリズムを用いて症状パターンを分析し、正確な評価を行う。
論文 参考訳(メタデータ) (2023-10-02T17:24:10Z) - Ultrafast-and-Ultralight ConvNet-Based Intelligent Monitoring System for
Diagnosing Early-Stage Mpox Anytime and Anywhere [5.479858970142124]
我々はFast-MpoxNetという超高速で超軽量なネットワークを提案する。
Fast-MpoxNetは0.27Mパラメータしか持たず、CPU上で68フレーム/秒(FPS)で入力画像を処理できる。
また、パソコンと携帯電話の両方にMpox-AISM V2というアプリケーションシステムを開発した。
論文 参考訳(メタデータ) (2023-08-25T17:06:30Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Robust and Generalisable Segmentation of Subtle Epilepsy-causing
Lesions: a Graph Convolutional Approach [1.180462901068842]
FCD(Foccal cortical dysplasia)は薬剤抵抗性てんかんの主要な原因であり、手術で治療できる。
そのため、手動の傷口マスクは高価で、限定的であり、ラッター間変動が大きい。
本稿では,グラフ畳み込みネットワーク(GCN)を用いたセマンティックセグメンテーション(セマンティックセグメンテーション,セマンティックセグメンテーション,セマンティックセグメンテーション)の手法を提案する。
論文 参考訳(メタデータ) (2023-06-02T08:56:56Z) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳(メタデータ) (2023-03-23T18:50:18Z) - Telehealthcare and Covid-19: A Noninvasive & Low Cost Invasive, Scalable
and Multimodal Real-Time Smartphone Application for Early Diagnosis of
SARS-CoV-2 Infection [0.0]
そこで本研究では,Covid-19感染症の早期診断のためのスマートフォンアプリケーションベースの新しいプラットフォームを提案する。
このアプリケーションは3つの診断方法を提供しており、起こりうる症状、うっ血の音、特定の血液マーカーを診断する。
われわれの機械学習モデルは、100%、95.65%、および77.59%の精度でコビッド19の患者を識別できる。
論文 参考訳(メタデータ) (2021-09-16T10:22:31Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T19:01:40Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using
Deep Multiple-Instance Learning [59.74684475991192]
パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。
PD症状には、震動、剛性、ブレイキネジアがある。
本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
論文 参考訳(メタデータ) (2020-05-06T09:02:30Z)
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。