Fugu-MT 論文翻訳(概要): Mpox-AISM: AI-Mediated Super Monitoring for Mpox and Like-Mpox

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

Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文参考訳（メタデータ） (2024-11-25T13:40:11Z)
MpoxVLM: A Vision-Language Model for Diagnosing Skin Lesions from Mpox Virus Infection [5.161537754987037]
ムポックス(サルポックスウイルスによる)は、しばしば診断されない動物感染症の顕著な例である。 MpoxVLMは, 皮膚病変画像と患者臨床情報の両方を分析し, mpoxの検出を目的とした視覚言語モデル(VLM)を提案する。本研究は, mpox検出における90.38%の精度を達成し, mpox対策における早期診断精度を向上させるための有望な経路を提供する。
論文参考訳（メタデータ） (2024-11-16T21:09:04Z)
Mpox Screen Lite: AI-Driven On-Device Offline Mpox Screening for Low-Resource African Mpox Emergency Response [0.0]
2024年のMpoxの流行は、特にアフリカで重篤な1bの出現で、資源制限された環境での診断能力に重大なギャップが浮き彫りになっている。本研究の目的は、低リソース環境でオフラインで動作するように設計されたMpox用のAI駆動オンデバイススクリーニングツールの開発と評価である。
論文参考訳（メタデータ） (2024-09-05T11:18:34Z)
Parkinson's Disease Detection through Vocal Biomarkers and Advanced Machine Learning Algorithms [0.0]
本研究は早期疾患予測の手段として, PD患者の声質変化の可能性について検討した。 XGBoost、LightGBM、Baging、AdaBoost、Support Vector Machineなど、さまざまな高度な機械学習アルゴリズムを活用する。 LightGBMは、100%の感度と94.43%の特異性を示し、他の機械学習アルゴリズムの精度とAUCスコアを上回った。
論文参考訳（メタデータ） (2023-11-09T15:21:10Z)
Ultrafast-and-Ultralight ConvNet-Based Intelligent Monitoring System for Diagnosing Early-Stage Mpox Anytime and Anywhere [4.393125661498784]
Fast-MpoxNetはわずか0.27Mパラメータで、CPU上の68フレーム毎秒(FPS)で入力画像を処理できる。 Mpox-AISM V2は、迅速に正確にmpoxを診断でき、公共のリアルタイムmpox診断サービスを提供するために、様々なシナリオに容易に展開できる。
論文参考訳（メタデータ） (2023-08-25T17:06:30Z)
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)
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)
Comparison of Machine Learning Classifiers to Predict Patient Survival and Genetics of GBM: Towards a Standardized Model for Clinical Implementation [44.02622933605018]
放射線モデルは、グリオ芽腫(GBM)の結果予測のための臨床データを上回ることが示されています。 GBM患者の生存率(OS),IDH変異,O-6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)プロモーターメチル化,EGFR(EGFR)VII増幅,Ki-67発現の9種類の機械学習分類器を比較した。 xgb は os (74.5%), ab for idh 変異 (88%), mgmt メチル化 (71,7%), ki-67 発現 (86,6%), egfr増幅 (81。
論文参考訳（メタデータ） (2021-02-10T15:10:37Z)
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)
Dual-Sampling Attention Network for Diagnosis of COVID-19 from Community Acquired Pneumonia [46.521323145636906]
胸部CT(Central Computed Tomography)において,地域肺炎(CAP)からCOVID-19を自動診断するデュアルサンプリングアテンションネットワークを開発した。特に,3D畳み込みネットワーク(CNN)を用いた新しいオンラインアテンションモジュールを提案する。我々のアルゴリズムは、受信機動作特性曲線(AUC)値0.944、精度87.5%、感度86.9%、特異度90.1%、F1スコア82.0%の領域で、COVID-19画像を識別することができる。
論文参考訳（メタデータ） (2020-05-06T09:56:51Z)
COVID-CAPS: A Capsule Network-based Framework for Identification of COVID-19 cases from X-ray Images [34.93885932923011]
コロナウイルス(COVID-19)は、21世紀の2世紀末に、突然、そして間違いなく世界を変えた。新型コロナウイルスの早期診断により、医療専門家や政府機関は移行の連鎖を破り、流行曲線をフラットにすることができる。主に畳み込みニューラルネットワーク(CNN)をベースとしたディープニューラルネットワーク(DNN)ベースの診断ソリューション開発への関心が高まっている。本稿では、小さなデータセットを処理可能な、Capsule Networks(COVID-CAPS)に基づく代替モデリングフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-06T14:20:47Z)

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。