論文の概要: Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic
Review
- arxiv url: http://arxiv.org/abs/2303.18005v2
- Date: Fri, 16 Jun 2023 15:02:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 17:36:15.416100
- 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: 方法: PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を行った。
PROBASTを用いてバイアスのリスクを評価した。
37の診断モデル、22の予後モデル、21の診断関連結果を含む80の関心モデルがあった。
すべてのモデルが全体として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、ほとんどの研究は分析において偏見のリスクが高いことが判明した。
- 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 PubMed, Scopus, Web
of Science, CENTRAL, and WHO-ICTRP was conducted up to 19/05/2023. The
inclusion criteria required that research evaluated AI on histopathology images
for diagnostic or prognostic inferences in ovarian cancer. The risk of bias was
assessed using PROBAST. Information about each model of interest was tabulated
and summary statistics were reported. PRISMA 2020 reporting guidelines were
followed. Results - 1573 records were identified, of which 45 were eligible for
inclusion. There were 80 models of interest, including 37 diagnostic models, 22
prognostic models, and 21 models with other diagnostically relevant outcomes.
Models were developed using 1-1375 slides from 1-776 ovarian cancer patients.
Model outcomes included treatment response (11/80), malignancy status (10/80),
stain quantity (9/80), and histological subtype (7/80). All models were found
to be at high or unclear risk of bias overall, with most research having a high
risk of bias in the analysis and a lack of clarity regarding participants and
predictors in the study. Research frequently suffered from insufficient
reporting and limited validation using small sample sizes. Conclusion - Limited
research has been conducted on the application of AI to histopathology images
for diagnostic or prognostic purposes in ovarian cancer, and none of the
associated models have been demonstrated to be ready for real-world
implementation. Key aspects to help ensure clinical translation include more
transparent and comprehensive reporting of data provenance and modelling
approaches, as well as improved quantitative 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 - PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を19/05/2023まで行った。
包括的基準は、卵巣癌における診断または予後推論のための病理画像上のAIを評価することを必要とした。
バイアスのリスクはproBASTを用いて評価した。
各関心モデルに関する情報を集計し,要約統計を報告する。
PRISMA 2020報告ガイドラインが守られた。
結果 - 1573件の記録が特定され、そのうち45件が記載された。
関心のある80のモデルがあり、37の診断モデル、22の予測モデル、21のモデルがあり、他の診断に関連がある。
1-776卵巣癌患者の1-1375スライドを用いてモデルを構築した。
対象は治療反応(11/80),悪性度(10/80),染色量(9/80),組織学的サブタイプ(7/80)であった。
すべてのモデルが全体として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、ほとんどの研究は分析における偏見のリスクが高く、研究の参加者や予測者に関する明快さが欠如している。
研究は報告不足や小さなサンプルサイズによる限定的な検証に苦しんだ。
結論 - 卵巣癌における診断や予後のための病理画像へのAIの応用に関する限定的な研究が行われており、関連するモデルがいずれも実際の実装の準備が整っていないことが示されている。
臨床翻訳を確実にするための重要な側面は、データプロヴァンスとモデリングアプローチのより透明で包括的な報告と、クロスバリデーションと外部検証を用いた定量的パフォーマンス評価の改善である。
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。