Fugu-MT 論文翻訳(概要): Evaluating the impact of an explainable machine learning system on the interobserver agreement in chest radiograph interpretation

論文の概要: Evaluating the impact of an explainable machine learning system on the interobserver agreement in chest radiograph interpretation

arxiv url: http://arxiv.org/abs/2304.01220v1
Date: Sat, 1 Apr 2023 19:14:51 GMT
ステータス: 処理完了
システム内更新日: 2023-04-05 17:12:37.526500
Title: Evaluating the impact of an explainable machine learning system on the interobserver agreement in chest radiograph interpretation
Title（参考訳）: 説明可能な機械学習システムが胸部X線写真解釈におけるサーバ間合意に及ぼす影響の評価
Authors: Hieu H. Pham, Ha Q. Nguyen, Hieu T. Nguyen, Linh T. Le, Khanh Lam
Abstract要約: 胸部X線画像の解釈において,説明可能な機械学習システムのサーバ間合意に対する臨床効果を評価するために,前向きな研究を行った。 VinDr-CXR(VinDr-CXR)と呼ばれるこのAIシステムは、FleissのKappa平均の1.5%の増加で、6人の放射線学者間の合意を著しく改善した。
参考スコア（独自算出の注目度）: 0.33598755777055367
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We conducted a prospective study to measure the clinical impact of an explainable machine learning system on interobserver agreement in chest radiograph interpretation. The AI system, which we call as it VinDr-CXR when used as a diagnosis-supporting tool, significantly improved the agreement between six radiologists with an increase of 1.5% in mean Fleiss' Kappa. In addition, we also observed that, after the radiologists consulted AI's suggestions, the agreement between each radiologist and the system was remarkably increased by 3.3% in mean Cohen's Kappa. This work has been accepted for publication in IEEE Access and this paper is our short version submitted to the Midwest Machine Learning Symposium (MMLS 2023), Chicago, IL, USA.
Abstract（参考訳）: 胸部x線写真解釈における弁別可能な機械学習システムの臨床効果を測定するための前向き研究を行った。 VinDr-CXR(VinDr-CXR)と呼ばれるこのAIシステムは、FleissのKappa平均の1.5%の増加で、6人の放射線学者間の合意を著しく改善した。さらに, 放射線科医がAIの提案を相談した結果, 放射線科医とシステム間の合意は, コーエンのカッパ平均で3.3%増加していた。この研究はIEEE Accessで発表され、本論文はシカゴのミッドウェスト機械学習シンポジウム(MMLS 2023)に提出された短いバージョンである。

関連論文リスト

ReXplain: Translating Radiology into Patient-Friendly Video Reports [5.787653511498558]
ReXplainは、放射線医学の知見を患者フレンドリーなビデオレポートに変換する革新的なAI駆動システムである。 ReXplainは、平易な言語、強調画像、および3D臓器レンダリングで包括的な説明を生成することができる。
論文参考訳（メタデータ） (2024-10-01T06:41:18Z)
Mining Gaze for Contrastive Learning toward Computer-Assisted Diagnosis [61.089776864520594]
医用画像のテキストレポートの代替としてアイトラッキングを提案する。医用画像を読み,診断する際に放射線科医の視線を追跡することにより,その視覚的注意と臨床的理由を理解することができる。対照的な学習フレームワークのためのプラグイン・アンド・プレイモジュールとして,McGIP (McGIP) を導入した。
論文参考訳（メタデータ） (2023-12-11T02:27:45Z)
Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
論文参考訳（メタデータ） (2023-08-27T22:07:42Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Artificial Intelligence System for Detection and Screening of Cardiac Abnormalities using Electrocardiogram Images [17.625471536027693]
本稿では,実際の心電図画像から心疾患(CA)を検出し,スクリーニングするAIシステムを提案する。このシステムは、世界中の複数の地域および人口から52,357人の患者の大規模なデータセットで評価された。本研究は,CA検出およびスクリーニングのための精度,客観的,使いやすさ,高速,低コストなAIシステムの実現可能性を示す。
論文参考訳（メタデータ） (2023-02-10T10:54:33Z)
minoHealth.ai: A Clinical Evaluation Of Deep Learning Systems For the Diagnosis of Pleural Effusion and Cardiomegaly In Ghana, Vietnam and the United States of America [0.0]
我々は、私のminoHealth AI Labsを開発したminoHealth.aiシステムが、心内膜および胸膜灌流の診断において、いかにうまく機能するかを評価する。ガーナ、ベトナム、米国からの胸部X線、そしてガーナで働く放射線学者と比べて、AIシステムがいかにうまく機能するか。 MinoHealth.aiはAUC-ROCが0.9と0.97であり、AUC-ROCは0.77から0.86であった。
論文参考訳（メタデータ） (2022-10-31T20:12:41Z)
An Accurate and Explainable Deep Learning System Improves Interobserver Agreement in the Interpretation of Chest Radiograph [0.33598755777055367]
VinDr-CXRは、CXRスキャンを複数の胸腺疾患に分類し、画像上の重要な発見のほとんどをローカライズすることができる。提案システムにより,Fleiss' Kappa平均の1.5%の増加により,放射線学者間の合意が大幅に改善された。
論文参考訳（メタデータ） (2022-08-06T17:03:49Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文参考訳（メタデータ） (2021-08-21T16:15:40Z)
A clinical validation of VinDr-CXR, an AI system for detecting abnormal chest radiographs [0.0]
X線スキャンで異常を検出するためのAIベースのシステムを検証するメカニズムを実証する。このシステムは、胸部X線上の異常を検出するためのF1スコア(リコールのハーモニック平均と精度-0.653 CI 0.635, 0.671)を達成する。
論文参考訳（メタデータ） (2021-04-06T02:53:35Z)

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。