論文の概要: Automatized Self-Supervised Learning for Skin Lesion Screening
- arxiv url: http://arxiv.org/abs/2311.06691v1
- Date: Sat, 11 Nov 2023 23:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-14 17:16:34.571135
- Title: Automatized Self-Supervised Learning for Skin Lesion Screening
- Title(参考訳): 皮膚病変スクリーニングのための自動自己監督学習
- Authors: Vullnet Useini, Stephanie Tanadini-Lang, Quentin Lohmeyer, Mirko
Meboldt, Nicolaus Andratschke, Ralph P. Braun and Javier Barranco Garc\'ia
- Abstract要約: このツールは、最先端のオブジェクト検出アルゴリズムを使用して、患者の画像からすべての皮膚病変を特定し、抽出する。
ツールの性能を評価するために臨床検査を行った。
研究によると、皮膚科医は自信を増し、AIによって補助された場合、トップ10のAI識別UDとの過半数の合意は100%改善した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The incidence rates of melanoma, the deadliest form of skin cancer, have been
increasing steadily worldwide, presenting a significant challenge to
dermatologists. Early detection of melanoma is crucial for improving patient
survival rates, but identifying suspicious lesions through ugly duckling (UD)
screening, the current method used for skin cancer screening, can be
challenging and often requires expertise in pigmented lesions. To address these
challenges and improve patient outcomes, an artificial intelligence (AI)
decision support tool was developed to assist dermatologists in identifying UD
from wide-field patient images. The tool uses a state-of-the-art object
detection algorithm to identify and extract all skin lesions from patient
images, which are then sorted by suspiciousness using a self-supervised AI
algorithm. A clinical validation study was conducted to evaluate the tool's
performance, which demonstrated an average sensitivity of 93% for the top-10
AI-identified UDs on skin lesions selected by the majority of experts in
pigmented skin lesions. The study also found that dermatologists confidence
increased, and the average majority agreement with the top-10 AI-identified UDs
improved to 100% when assisted by AI. The development of this AI decision
support tool aims to address the shortage of specialists, enable at-risk
patients to receive faster consultations and understand the impact of
AI-assisted screening. The tool's automation can assist dermatologists in
identifying suspicious lesions and provide a more objective assessment,
reducing subjectivity in the screening process. The future steps for this
project include expanding the dataset to include histologically confirmed
melanoma cases and increasing the number of participants for clinical
validation to strengthen the tool's reliability and adapt it for real-world
consultation.
- Abstract(参考訳): 皮膚がんの死亡率が最も高いメラノーマの発生率は世界中で増加しており、皮膚科医にとって大きな課題となっている。
悪性黒色腫の早期発見は患者の生存率の向上に不可欠であるが,現在の皮膚がんスクリーニング法であるアヒルスクリーニング(udスクリーニング)による疑わしい病変の同定は困難であり,色素性病変の専門知識を必要とすることが多い。
これらの課題に対処し、患者の成果を改善するために、皮膚科医が広範囲の患者画像からUDを特定するのを支援する人工知能(AI)意思決定支援ツールを開発した。
このツールは最先端のオブジェクト検出アルゴリズムを使用して、患者の画像からすべての皮膚病変を特定し、抽出する。
このツールの性能を評価するために臨床検証を行った結果、顔色素性皮膚病変の専門家の多数が選択した皮膚病変について、トップ10のai同定udの平均感度は93%であった。
研究によると、皮膚科医は自信を増し、AIによって補助された場合、トップ10のAI識別UDとの過半数の合意は100%改善した。
このAI意思決定支援ツールの開発は、専門家の不足に対処し、リスクの高い患者がより早く相談を受け、AI支援スクリーニングの影響を理解することを目的としている。
このツールの自動化は、皮膚科医が疑わしい病変を特定し、より客観的な評価を提供し、スクリーニングプロセスの主観性を低下させる。
このプロジェクトの今後のステップは、組織学的に確認されたメラノーマ症例を含むようにデータセットを拡大することと、ツールの信頼性を強化し、現実のコンサルテーションに適応するための臨床検証参加者の数を増やすことである。
関連論文リスト
- The Limits of Perception: Analyzing Inconsistencies in Saliency Maps in XAI [0.0]
説明可能な人工知能(XAI)は、AIの意思決定プロセスの解明に不可欠である。
ブラックボックス」として機能し、その理由が曖昧でアクセスできないため、誤診のリスクが高まる。
この透明性へのシフトは、単に有益であるだけでなく、医療におけるAI統合の責任を負うための重要なステップでもある。
論文 参考訳(メタデータ) (2024-03-23T02:15:23Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - An Interpretable Deep Learning Approach for Skin Cancer Categorization [0.0]
我々は、皮膚がん検出の問題に対処するために、現代のディープラーニング手法と説明可能な人工知能(XAI)アプローチを使用する。
皮膚病変の分類には,XceptionNet,EfficientNetV2S,InceptionResNetV2,EfficientNetV2Mの4つの最先端事前訓練モデルを用いる。
我々の研究は、ディープラーニングと説明可能な人工知能(XAI)が皮膚がんの診断をどのように改善するかを示している。
論文 参考訳(メタデータ) (2023-12-17T12:11:38Z) - Explainable AI in Diagnosing and Anticipating Leukemia Using Transfer
Learning Method [0.0]
本研究は,小児および10代に流行する急性リンパ芽球性白血病(ALL)に焦点をあてる。
ディープラーニング技術を活用したコンピュータ支援診断(CAD)モデルを用いた自動検出手法を提案する。
提案手法は98.38%の精度を達成し、他の試験モデルよりも優れていた。
論文 参考訳(メタデータ) (2023-12-01T10:37:02Z) - Application of Machine Learning in Melanoma Detection and the
Identification of 'Ugly Duckling' and Suspicious Naevi: A Review [0.45545745874600063]
メラノーマをモニターする際、「Ugly Duckling Naevus」が登場し、特徴的な特徴を持つ病変を指す。
コンピュータ支援診断 (CAD) は, 研究開発において重要な役割を担っている。
本稿では,メラノーマと疑わしいナエビを検出するための最新の機械学習およびディープラーニングアルゴリズムについて概説する。
論文 参考訳(メタデータ) (2023-09-01T05:50:47Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳(メタデータ) (2023-07-30T16:08:45Z) - Dermatologist-like explainable AI enhances trust and confidence in
diagnosing melanoma [0.0]
人工知能システムがメラノーマを識別する方法における透明性の欠如は、ユーザーの受け入れに深刻な障害をもたらす。
ほとんどのXAI法は、正確に位置付けられたドメイン固有の説明を生成できないため、説明の解釈が困難である。
我々は、皮膚科医が容易に解釈できるテキストと地域に基づく説明を生成するXAIシステムを開発した。
論文 参考訳(メタデータ) (2023-03-17T17:25:55Z) - COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical
Network to Monitor and Detect COVID-19 Infection from Point-of-Care
Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。
ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文 参考訳(メタデータ) (2023-01-04T16:05:51Z) - Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology:
AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。
本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
論文 参考訳(メタデータ) (2022-02-17T08:33:52Z) - 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) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z)
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。