論文の概要: A general-purpose AI assistant embedded in an open-source radiology information system

• arxiv url: http://arxiv.org/abs/2303.10338v1
• Date: Sat, 18 Mar 2023 05:27:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-21 20:06:01.007708
• Title: A general-purpose AI assistant embedded in an open-source radiology information system
• Title（参考訳）: オープンソース放射線情報システムに組み込んだ汎用AIアシスタント
• Authors: Saptarshi Purkayastha, Rohan Isaac, Sharon Anthony, Shikhar Shukla, Elizabeth A. Krupinski, Joshua A. Danish, and Judy W. Gichoya
• Abstract要約: 我々は,このプラットフォームの新規なHuman-AIパートナーシップ機能について述べる。 我々は、RIS内でアクティブな学習戦略を開発し、人間の放射線学者がAIアノテーションを有効/無効にし、AIアノテーションを「修正」/「延長」することができるようにした。 これにより、放射線技師のユーザと、ユーザ固有のAIモデルとのパートナーシップを確立することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Radiology AI models have made significant progress in near-human performance or surpassing it. However, AI model's partnership with human radiologist remains an unexplored challenge due to the lack of health information standards, contextual and workflow differences, and data labeling variations. To overcome these challenges, we integrated an AI model service that uses DICOM standard SR annotations into the OHIF viewer in the open-source LibreHealth Radiology Information Systems (RIS). In this paper, we describe the novel Human-AI partnership capabilities of the platform, including few-shot learning and swarm learning approaches to retrain the AI models continuously. Building on the concept of machine teaching, we developed an active learning strategy within the RIS, so that the human radiologist can enable/disable AI annotations as well as "fix"/relabel the AI annotations. These annotations are then used to retrain the models. This helps establish a partnership between the radiologist user and a user-specific AI model. The weights of these user-specific models are then finally shared between multiple models in a swarm learning approach.
• Abstract（参考訳）: 放射線学のAIモデルは、人間に近い性能やそれを上回る性能で大きく進歩している。 しかしながら、AIモデルとヒトの放射線学者とのパートナーシップは、健康情報標準の欠如、コンテキストとワークフローの違い、データラベルのバリエーションが原因で、未解決の課題である。 これらの課題を克服するために、DICOM標準SRアノテーションを使用するAIモデルサービスを、オープンソースのLibreHealth Radiology Information Systems(RIS)のOHIFビューアに統合した。 本稿では,AIモデルを継続的にトレーニングするための,少数のショットラーニングとスワムラーニングアプローチを含む,このプラットフォームの新たなパートナーシップ機能について述べる。 機械教育の概念に基づいて,人間放射線科医がaiアノテーションを有効・無効にしたり,aiアノテーションを"修正"・リラベルしたりできるように,ris内でアクティブな学習戦略を開発した。 これらのアノテーションはモデルの再トレーニングに使用される。 これにより、放射線技師のユーザとユーザ固有のAIモデルとのパートナーシップを確立することができる。 これらのユーザー固有のモデルの重みは、最終的にswarm learningアプローチで複数のモデル間で共有される。

関連論文リスト

• Generative Artificial Intelligence Meets Synthetic Aperture Radar: A Survey [49.29751866761522]
  本稿では,GenAIとSARの交差点について検討する。 まず、SAR分野における一般的なデータ生成ベースのアプリケーションについて説明する。 次に、最新のGenAIモデルの概要を体系的にレビューする。 最後に、SARドメインの対応するアプリケーションも含まれる。
  論文  参考訳（メタデータ） (2024-11-05T03:06:00Z)
• AI-Aided Kalman Filters [65.35350122917914]
  カルマンフィルタ(KF)とその変種は、信号処理において最も著名なアルゴリズムの一つである。 最近の進歩は、古典的なカルマン型フィルタリングでディープニューラルネットワーク(DNN)を融合させる可能性を示している。 本稿では,KF型アルゴリズムにAIを組み込むための設計アプローチについて,チュートリアル形式で概説する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:53Z)
• Generative Diffusion-based Contract Design for Efficient AI Twins Migration in Vehicular Embodied AI Networks [55.15079732226397]
  Embodied AIは、サイバースペースと物理空間のギャップを埋める、急速に進歩する分野だ。 VEANETでは、組み込まれたAIツインが車載AIアシスタントとして機能し、自律運転をサポートするさまざまなタスクを実行する。
  論文  参考訳（メタデータ） (2024-10-02T02:20:42Z)
• Uncovering Knowledge Gaps in Radiology Report Generation Models through Knowledge Graphs [18.025481751074214]
  我々はReXKGというシステムを導入し,処理されたレポートから構造化された情報を抽出し,放射線学知識グラフを構築する。 我々はAIと人手による放射線学レポートの詳細な比較分析を行い、専門家モデルとジェネラリストモデルの両方のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-08-26T16:28:56Z)
• Exploration with Principles for Diverse AI Supervision [88.61687950039662]
  次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。 この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。 この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。 本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:03:39Z)
• Unmasking Biases and Navigating Pitfalls in the Ophthalmic Artificial Intelligence Lifecycle: A Review [3.1929071422400446]
  この記事では、AIライフサイクルを7つのステップに分割する。 データ収集; モデルタスクの定義; データ前処理とラベル付け; モデル開発; モデル評価と検証; デプロイメント。 最後に、デプロイ後の評価、監視、システムリカレーションを行い、各ステップにおける害のリスクと、それらを緩和するための戦略を掘り下げます。
  論文  参考訳（メタデータ） (2023-10-08T03:49:42Z)
• Current State of Community-Driven Radiological AI Deployment in Medical Imaging [1.474525456020066]
  本報告は, MonAIコンソーシアムの業界専門家と臨床医のグループによる, 週ごとの議論と問題解決経験について述べる。 実験室におけるAIモデル開発とその後の臨床展開の障壁を明らかにする。 臨床放射線学ワークフローにおける様々なAI統合ポイントについて論じる。
  論文  参考訳（メタデータ） (2022-12-29T05:17:59Z)
• Self-supervised Multi-modal Training from Uncurated Image and Reports Enables Zero-shot Oversight Artificial Intelligence in Radiology [31.045221580446963]
  医療用クロスアテンションビジョンランゲージモデル(医療用X-VL)を提案する。 我々のモデルは、ゼロショット分類からゼロショット誤り訂正まで、さまざまなゼロショットタスクを監視できる。 提案手法は,データ制限設定において特に有効であり,医療領域に広く適用可能である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T04:35:58Z)
• Choose, not Hoard: Information-to-Model Matching for Artificial Intelligence in O-RAN [8.52291735627073]
  Open Radio Access Network (O-RAN) は、ネットワーク基盤要素がオープンで標準化されたインターフェースを介して通信する新興パラダイムである。 重要な要素は、人工知能(AI)ベースのコントローラであるRAN Intelligent Controller(RIC)である。 本稿では、異なるRICにおける複数のAIモデルインスタンスの作成について紹介し、議論し、評価し、トレーニングのためにいくつかの(またはすべての)場所の情報を活用する。
  論文  参考訳（メタデータ） (2022-08-01T15:24:27Z)
• DIME: Fine-grained Interpretations of Multimodal Models via Disentangled Local Explanations [119.1953397679783]
  我々は,マルチモーダルモデルの解釈における最先端化に注力する。 提案手法であるDIMEは,マルチモーダルモデルの高精度かつきめ細かな解析を可能にする。
  論文  参考訳（メタデータ） (2022-03-03T20:52:47Z)
• Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and Introspection [61.571331422347875]
  モデルの信号認識性を高めるためのデータ駆動型手法を提案する。 コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。 モデル信号認識における最大4.8倍の改善を実現している。
  論文  参考訳（メタデータ） (2021-11-10T17:58:18Z)

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。