論文の概要: Virtual imaging trials improved the transparency and reliability of AI systems in COVID-19 imaging
- arxiv url: http://arxiv.org/abs/2308.09730v2
- Date: Sun, 31 Mar 2024 19:28:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-02 15:44:31.030626
- Title: Virtual imaging trials improved the transparency and reliability of AI systems in COVID-19 imaging
- Title(参考訳): 仮想画像検査は、新型コロナウイルス画像におけるAIシステムの透明性と信頼性を改善した
- Authors: Fakrul Islam Tushar, Lavsen Dahal, Saman Sotoudeh-Paima, Ehsan Abadi, W. Paul Segars, Ehsan Samei, Joseph Y. Lo,
- Abstract要約: 医用画像におけるAIモデルの信頼性は、しばしば問題や臨床的洞察の曖昧さによって疑問視される。
臨床とシミュレーションの両方の医療画像の多種多様なコレクションを利用する仮想画像トライアルフレームワークを提案する。
- 参考スコア(独自算出の注目度): 1.6040478776985583
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The credibility of AI models in medical imaging is often challenged by reproducibility issues and obscured clinical insights, a reality highlighted during the COVID-19 pandemic by many reports of near-perfect artificial intelligence (AI) models that all failed to generalize. To address these concerns, we propose a virtual imaging trial framework, employing a diverse collection of medical images that are both clinical and simulated. In this study, COVID-19 serves as a case example to unveil the intrinsic and extrinsic factors influencing AI performance. Our findings underscore a significant impact of dataset characteristics on AI efficacy. Even when trained on large, diverse clinical datasets with thousands of patients, AI performance plummeted by up to 20% in generalization. However, virtual imaging trials offer a robust platform for objective assessment, unveiling nuanced insights into the relationships between patient- and physics-based factors and AI performance. For instance, disease extent markedly influenced AI efficacy, computed tomography (CT) out-performed chest radiography (CXR), while imaging dose exhibited minimal impact. Using COVID-19 as a case study, this virtual imaging trial study verified that radiology AI models often suffer from a reproducibility crisis. Virtual imaging trials not only offered a solution for objective performance assessment but also extracted several clinical insights. This study illuminates the path for leveraging virtual imaging to augment the reliability, transparency, and clinical relevance of AI in medical imaging.
- Abstract(参考訳): 医療画像におけるAIモデルの信頼性は、再現性の問題や臨床的洞察の曖昧さによってしばしば疑問視される。
これらの問題に対処するために,臨床とシミュレーションの両方の医療画像の多種多様なコレクションを活用する仮想画像トライアルフレームワークを提案する。
本研究は、AIのパフォーマンスに影響を与える本質的および外因的要因を明らかにするための事例として、COVID-19が役立ちます。
以上の結果から,データセット特性がAIの有効性に与える影響が示唆された。
何千もの患者による大規模で多様な臨床データセットをトレーニングしても、AIのパフォーマンスは最大20%低下した。
しかし、仮想画像治験は客観的評価のための堅牢なプラットフォームを提供し、患者と物理学に基づく要因とAIのパフォーマンスの関係に関する微妙な洞察を明らかにしている。
例えば、疾患の範囲はAIの有効性に大きな影響を与え、CT(Computerd tomography)は胸部X線撮影(CXR)より優れ、画像線量による影響は最小限であった。
この仮想画像実験は、新型コロナウイルスをケーススタディとして、放射線学のAIモデルが再現性の危機に悩まされることを実証した。
仮想画像検査は、客観的なパフォーマンス評価のソリューションを提供するだけでなく、いくつかの臨床的知見も抽出した。
本研究は, 医用画像におけるAIの信頼性, 透明性, 臨床的妥当性を高めるために, 仮想画像を活用するための道筋を照らすものである。
関連論文リスト
- Towards objective and systematic evaluation of bias in medical imaging
AI [2.1937743088854584]
医療画像におけるバイアスがAIモデルに与える影響を調査するための新しい分析フレームワークを提案する。
医用画像AIの偏りを評価するために, サイリコ試験の制御を行うためのこのフレームワークを開発し, テストした。
論文 参考訳(メタデータ) (2023-11-03T01:37:28Z) - Knowledge-based in silico models and dataset for the comparative
evaluation of mammography AI for a range of breast characteristics, lesion
conspicuities and doses [2.9362519537872647]
M-SYNTH(M-SYNTH)は乳腺線維腺の密度分布の異なるコホートのデータセットである。
その結果,乳房密度の増加とともにモデル性能が低下し,体重密度が増大することがわかった。
曝露レベルが低下すると、AIモデルの性能は、乳房型に推奨される推奨投与量よりも低い被曝レベルで達成された最高性能で低下する。
論文 参考訳(メタデータ) (2023-10-27T21:14:30Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳(メタデータ) (2022-08-22T13:57:04Z) - SyntheX: Scaling Up Learning-based X-ray Image Analysis Through In
Silico Experiments [12.019996672009375]
人間のモデルからリアルなシミュレートされた画像を作成することは、大規模なIn situデータ収集の代替となることを示す。
人体モデルからの学習データの合成は、容易にスケールできるので、我々がSyntheXと呼ぶX線画像解析のためのモデル転送パラダイムが、実際のデータ学習モデルよりも優れていることが分かりました。
論文 参考訳(メタデータ) (2022-06-13T13:08:41Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳(メタデータ) (2022-05-19T17:34:18Z) - Virtual vs. Reality: External Validation of COVID-19 Classifiers using
XCAT Phantoms for Chest Computed Tomography [2.924350993741562]
CVIT-COVIDデータセットを作成し、シミュレーションされたCOVID-19および正常ファントムモデルからの180個の仮想画像計算断層撮影(CT)画像を作成した。
ウォータールー大学のオープンソース深層学習モデルの性能を多施設データを用いて評価した。
我々は,305枚のCT画像のオープンな臨床データに対して,実際の臨床データと仮想的な臨床データのパフォーマンスを比較検討した。
論文 参考訳(メタデータ) (2022-03-07T00:11:53Z) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳(メタデータ) (2021-08-05T16:47:33Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳(メタデータ) (2021-03-18T03:31:33Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳(メタデータ) (2020-07-20T19:08:50Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳(メタデータ) (2020-04-06T15:21:34Z)
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。