論文の概要: Real-World Performance of Autonomously Reporting Normal Chest
Radiographs in NHS Trusts Using a Deep-Learning Algorithm on the GP Pathway
- arxiv url: http://arxiv.org/abs/2306.16115v1
- Date: Wed, 28 Jun 2023 11:34:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-29 14:25:49.094077
- Title: Real-World Performance of Autonomously Reporting Normal Chest
Radiographs in NHS Trusts Using a Deep-Learning Algorithm on the GP Pathway
- Title（参考訳）: gp経路のディープラーニングアルゴリズムを用いたnhsトラストにおける正常胸部x線撮影の実世界性能
- Authors: Jordan Smith, Tom Naunton Morgan, Paul Williams, Qaiser Malik, Simon
Rasalingham
- Abstract要約: DLアルゴリズムは2022年12月からSomerset NHS Foundation Trust (SFT)とCalderdale & Huddersfield NHS Trust (CHFT)に展開されている。
このアルゴリズムは展開前に開発・訓練され,各GP要求胸部X線(CXR)に異常スコアを割り当てるために使用される。
このアルゴリズムは、最も低い異常スコアを持つ試験のサブセットを、HCN(High Confidence Normal)として分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: AIM To analyse the performance of a deep-learning (DL) algorithm currently
deployed as diagnostic decision support software in two NHS Trusts used to
identify normal chest x-rays in active clinical pathways.
MATERIALS AND METHODS A DL algorithm has been deployed in Somerset NHS
Foundation Trust (SFT) since December 2022, and at Calderdale & Huddersfield
NHS Foundation Trust (CHFT) since March 2023. The algorithm was developed and
trained prior to deployment, and is used to assign abnormality scores to each
GP-requested chest x-ray (CXR). The algorithm classifies a subset of
examinations with the lowest abnormality scores as High Confidence Normal
(HCN), and displays this result to the Trust. This two-site study includes
4,654 CXR continuous examinations processed by the algorithm over a six-week
period.
RESULTS When classifying 20.0% of assessed examinations (930) as HCN, the
model classified exams with a negative predictive value (NPV) of 0.96. There
were 0.77% of examinations (36) classified incorrectly as HCN, with none of the
abnormalities considered clinically significant by auditing radiologists. The
DL software maintained fast levels of service to clinicians, with results
returned to Trusts in a mean time of 7.1 seconds.
CONCLUSION The DL algorithm performs with a low rate of error and is highly
effective as an automated diagnostic decision support tool, used to
autonomously report a subset of CXRs as normal with high confidence. Removing
20% of all CXRs reduces workload for reporters and allows radiology departments
to focus resources elsewhere.
- Abstract（参考訳）: AIMは、現在、2つのNHSトラストにおいて診断決定支援ソフトウェアとしてデプロイされているディープラーニング(DL)アルゴリズムの性能を分析し、アクティブな臨床経路における正常な胸部X線を識別する。
材料と方法 2022年12月からサマセット NHS Foundation Trust (SFT) に、2023年3月からCalderdale & Huddersfield NHS Foundation Trust (CHFT) にDLアルゴリズムが配備されている。
このアルゴリズムは展開前に開発・訓練され、gp要求胸部x線(cxr)に異常点を割り当てるために使用される。
このアルゴリズムは、最も低い異常スコアを持つ試験のサブセットをHigh Confidence Normal (HCN) に分類し、その結果をTrustに表示する。
この2段階の研究には、アルゴリズムによって6週間にわたって処理された4,654のcxr連続検査が含まれる。
その結果,評価試験の20.0%(930)をhcnとして分類すると,負の予測値(npv)0.96。
検査の0.77% (36) が誤ってhcnと分類され、検査医による臨床的に有意な異常は認められなかった。
DLソフトウェアは臨床医への迅速なサービス水準を維持し、平均7.1秒でTrustsに返却された。
結論 dlアルゴリズムは低いエラー率で動作し、cxrのサブセットを正常に高信頼で自動報告するために使用される自動診断意思決定支援ツールとして非常に有効である。
すべてのcxrの20%を取り除き、レポーターの作業負荷を削減し、放射線部門が他の場所でリソースに集中できるようにする。
関連論文リスト
- Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Exploiting prompt learning with pre-trained language models for
Alzheimer's Disease detection [70.86672569101536]
アルツハイマー病(AD)の早期診断は予防ケアの促進とさらなる進行の遅らせに不可欠である。
本稿では,AD分類誤差をトレーニング対象関数として一貫して用いたPLMの高速微調整法について検討する。
論文 参考訳（メタデータ） (2022-10-29T09:18:41Z) - Robustness of an Artificial Intelligence Solution for Diagnosis of
Normal Chest X-Rays [0.0]
正常胸部X線(CXR)の診断におけるAIソリューションの有用性について検討した。
合計4,060個のCXRがサンプリングされ、NHS患者とケア設定の多様なデータセットが表現された。
論文 参考訳（メタデータ） (2022-08-31T09:54:24Z) - Deep learning-based algorithm for assessment of knee osteoarthritis
severity in radiographs matches performance of radiologists [10.702936171938774]
完全重み付き深層学習アルゴリズムは、X線写真における膝関節炎重症度の評価において、放射線技師のパフォーマンスと一致した。
マルチセンター型変形性関節症研究(MOST)2802例の9739検診データセットを用いた。
このモデルはMOSTデータセットのレーティングと比較すると、テストセット全体の71.90%のマルチクラス精度を得た。
論文 参考訳（メタデータ） (2022-07-25T20:35:17Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Quality control for more reliable integration of deep learning-based
image segmentation into medical workflows [0.23609258021376836]
本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。
磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
論文 参考訳（メタデータ） (2021-12-06T16:30:43Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - 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) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - COVID-Net S: Towards computer-aided severity assessment via training and
validation of deep neural networks for geographic extent and opacity extent
scoring of chest X-rays for SARS-CoV-2 lung disease severity [58.23203766439791]
胸部X線(CXR)はSARS-CoV-2重症度を評価するためにしばしば用いられる。
本研究では,深層学習システムを用いて,SARS-CoV-2肺疾患重症度に対するCXRのコンピュータ支援による評価の有効性を評価する。
論文 参考訳（メタデータ） (2020-05-26T16:33:52Z) - Interpreting Chest X-rays via CNNs that Exploit Hierarchical Disease
Dependencies and Uncertainty Labels [0.33598755777055367]
本稿では,14の一般的な胸部疾患の存在と観察を診断するための,深部畳み込みニューラルネットワーク(CNN)に基づく枠組みを提案する。
提案手法はCheXpertコンペティションのinde-pendentテストセット上でも評価され, 経験者5名によるアパネルでアノテートされた500個のCXR研究が含まれている。
論文 参考訳（メタデータ） (2020-05-25T11:07:53Z)
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。