論文の概要: Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic
Review
- arxiv url: http://arxiv.org/abs/2303.18005v1
- Date: Fri, 31 Mar 2023 12:26:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 14:15:26.619905
- Title: Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic
Review
- Title（参考訳）: 卵巣癌病理における人工知能 : 全身的検討
- Authors: Jack Breen, Katie Allen, Kieran Zucker, Pratik Adusumilli, Andy
Scarsbrook, Geoff Hall, Nicolas M. Orsi, Nishant Ravikumar
- Abstract要約: 本研究は, 卵巣癌診断および予後診断のための人工知能(AI)法を病理組織学的データを用いて評価した。
合計1434件の調査記事が特定され、そのうち36件が対象となった。
いずれのモデルも実世界の実装の準備が整っていないことが証明されている。
- 参考スコア（独自算出の注目度）: 1.832300121391956
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose - To characterise and assess the quality of published research
evaluating artificial intelligence (AI) methods for ovarian cancer diagnosis or
prognosis using histopathology data. Methods - A search of 5 sources was
conducted up to 01/12/2022. The inclusion criteria required that research
evaluated AI on histopathology images for diagnostic or prognostic inferences
in ovarian cancer, including tubo-ovarian and peritoneal tumours. Reviews and
non-English language articles were excluded. The risk of bias was assessed for
every included model using PROBAST. Results - A total of 1434 research articles
were identified, of which 36 were eligible for inclusion. These studies
reported 62 models of interest, including 35 classifiers, 14 survival
prediction models, 7 segmentation models, and 6 regression models. Models were
developed using 1-1375 slides from 1-664 ovarian cancer patients. A wide array
of outcomes were predicted, including overall survival (9/62), histological
subtypes (7/62), stain quantity (6/62) and malignancy (5/62). Older studies
used traditional machine learning (ML) models with hand-crafted features, while
newer studies typically employed deep learning (DL) to automatically learn
features and predict the outcome(s) of interest. All models were found to be at
high or unclear risk of bias overall. Research was frequently limited by
insufficient reporting, small sample sizes, and insufficient validation.
Conclusion - Limited research has been conducted and none of the associated
models have been demonstrated to be ready for real-world implementation.
Recommendations are provided addressing underlying biases and flaws in study
design, which should help inform higher-quality reproducible future research.
Key aspects include more transparent and comprehensive reporting, and improved
performance evaluation using cross-validation and external validations.
- Abstract（参考訳）: 目的 - 病理組織学的データを用いて卵巣癌診断や予後診断のための人工知能(AI)手法を評価する論文の質を評価・評価すること。
方法 - 5つのソースの検索が01/12/2022まで行われた。
包括的基準では,尿道卵巣癌や腹膜腫瘍を含む卵巣癌における診断・予後推論のための病理画像を用いたAIの評価が必要であった。
レビューと非英語記事は除外された。
PROBASTを用いて各モデルに対してバイアスのリスクを評価した。
結果 - 総計1434件の研究論文が特定され、そのうち36件が包括対象となった。
これらの研究は、35の分類器、14の生存予測モデル、7のセグメンテーションモデル、6の回帰モデルを含む62の興味あるモデルを報告した。
卵巣癌1-664例の1-1375スライドを用いてモデルを構築した。
全身生存率 (9/62), 組織学的サブタイプ (7/62), 染色量 (6/62), 悪性度 (5/62) など, 幅広い結果が予測された。
古い研究は手作りの特徴を持つ伝統的な機械学習(ML)モデルを使い、新しい研究は一般的にディープラーニング(DL)を使って特徴を自動学習し、興味のある結果を予測する。
すべてのモデルは、偏見のリスクが高いか、あるいは不明確であることが判明した。
調査は不十分な報告、小さなサンプルサイズ、不十分な検証によってしばしば制限された。
結論 - 限定的な研究が行われ、関連するモデルはいずれも実世界の実装の準備が整っていないことが示されている。
研究設計の根底にあるバイアスや欠陥に対処する勧告は、高品質の再現可能な将来の研究に役立てられるだろう。
キーとなるのは、より透過的で包括的なレポート、クロスバリデーションと外部検証によるパフォーマンス評価の改善などだ。
関連論文リスト
- Novel Clinical-Grade Prostate Cancer Detection and Grading Model: Development and Prospective Validation Using Real World Data, with Performance Assessment on IHC Requested Cases [1.9729379339863824]
本研究では,前立腺癌検出,グレーディング,ワークフロー最適化のための制度的に開発されたシステムの性能について検討した。
We developed model for cancer detection, grading and screening of equivocal case for IHC ordering。
論文 参考訳（メタデータ） (2024-10-31T05:29:18Z) - Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance [41.373856519548404]
Dynamic Uncertain Causality Graph (DUCG)アプローチは、さまざまなアプリケーションシナリオで因果性駆動、説明可能、不変である。
54件の主訴を含む46件のDUCGモデルが製造された。
実際の診断は100万件以上行われており、誤診断は17例に過ぎなかった。
論文 参考訳（メタデータ） (2024-06-09T11:37:45Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - Artificial intelligence for abnormality detection in high volume neuroimaging: a systematic review and meta-analysis [0.5934394862891423]
神経画像における異常を検出する人工知能(AI)モデルを評価するほとんどの研究は、非表現的な患者コホートで試験されている。
目的は、診断テストの精度を判定し、第一線高ボリュームのニューロイメージングタスクを実行するAIモデルの使用を支持する証拠を要約することであった。
論文 参考訳（メタデータ） (2024-05-09T10:12:17Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Evaluating the Effectiveness of Artificial Intelligence in Predicting Adverse Drug Reactions among Cancer Patients: A Systematic Review and Meta-Analysis [0.0]
本研究の目的は, がん患者の薬物反応予測における人工知能モデルの性能を評価することである。
がん治療におけるAIの使用は、ADRの予測に高い特異性と感度を示すモデルによって、大きな可能性を示している。
しかし,証拠の質を向上させるためには,標準化された研究と多施設研究が必要である。
論文 参考訳（メタデータ） (2024-04-06T11:20:28Z) - Applications of artificial intelligence in the analysis of histopathology images of gliomas: a review [0.33999813472511115]
本稿では,ヒトグリオーマの全スライディング組織像に対するAIベースの手法を提案する83の公開研究について検討する。
現在の研究の焦点は、成人型びまん性グリオーマのヘマトキシリンおよびエオシン染色組織分画の評価である。
これまでのところ、AIベースの手法は有望な成果を上げているが、実際の臨床環境ではまだ使われていない。
論文 参考訳（メタデータ） (2024-01-26T17:29:01Z) - The Limits of Fair Medical Imaging AI In The Wild [43.97266228706059]
医療用AIが人口統計エンコーディングをどのように利用するかを検討する。
医療画像AIは、疾患分類において、人口動態のショートカットを利用することを確認した。
人口統計属性のエンコーディングが少ないモデルは、しばしば「グローバルに最適」であることがわかった。
論文 参考訳（メタデータ） (2023-12-11T18:59:50Z) - Artificial intelligence in digital pathology: a diagnostic test accuracy
systematic review and meta-analysis [0.3957768262206625]
この体系的なレビューとメタアナリシスは、あらゆる種類の人工知能を用いた診断精度の研究を含む。
包含物として100の研究が同定され、152,000枚以上のスライド画像 (WSI) に相当し、多くの病型を表わした。
これらの研究では、平均感度は96.3%(CI 94.1-97.7)、平均特異度は93.3%(CI 90.5-95.4)であった。
全体として、AIはWSIに適用した場合に適切な精度を提供するが、そのパフォーマンスをより厳格に評価する必要がある。
論文 参考訳（メタデータ） (2023-06-13T00:45:54Z) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。