論文の概要: Large-scale Long-tailed Disease Diagnosis on Radiology Images

• arxiv url: http://arxiv.org/abs/2312.16151v3
• Date: Sun, 16 Jun 2024 15:35:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 07:04:39.878928
• Title: Large-scale Long-tailed Disease Diagnosis on Radiology Images
• Title（参考訳）: 放射線画像による長期診断の大規模化
• Authors: Qiaoyu Zheng, Weike Zhao, Chaoyi Wu, Xiaoman Zhang, Lisong Dai, Hengyu Guan, Yuehua Li, Ya Zhang, Yanfeng Wang, Weidi Xie,
• Abstract要約: RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。 私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
• 参考スコア（独自算出の注目度）: 51.453990034460304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing a generalist radiology diagnosis system can greatly enhance clinical diagnostics. In this paper, we introduce RadDiag, a foundational model supporting 2D and 3D inputs across various modalities and anatomies, using a transformer-based fusion module for comprehensive disease diagnosis. Due to patient privacy concerns and the lack of large-scale radiology diagnosis datasets, we utilize high-quality, clinician-reviewed radiological images available online with diagnosis labels. Our dataset, RP3D-DiagDS, contains 40,936 cases with 195,010 scans covering 5,568 disorders (930 unique ICD-10-CM codes). Experimentally, our RadDiag achieves 95.14% AUC on internal evaluation with the knowledge-enhancement strategy. Additionally, RadDiag can be zero-shot applied or fine-tuned to external diagnosis datasets sourced from various hospitals, demonstrating state-of-the-art results. In conclusion, we show that publicly shared medical data on the Internet is a tremendous and valuable resource that can potentially support building a generalist AI for healthcare.
• Abstract（参考訳）: 一般放射線診断システムの開発は臨床診断を大幅に強化することができる。 本稿では, トランスフォーマーベースの融合モジュールを用いて, 様々なモダリティや解剖学にまたがる2Dおよび3D入力を支援する基礎モデルRadDiagを紹介する。 患者のプライバシ上の懸念と,大規模放射線診断データセットの欠如により,診断ラベルとともにオンラインで利用可能な高品質で臨床レビューされた放射線画像を利用する。 RP3D-DiagDSは5,568の障害(930のユニークなICD-10-CMコード)をカバーする195,010のスキャンで40,936の症例を含む。 実験により,RadDiagは95.14%のAUCを,知識向上戦略による内部評価で達成した。 さらにRadDiagは、さまざまな病院から得られた外部診断データセットにゼロショットを適用したり、微調整したりすることで、最先端の結果を示すことができる。 結論として、インターネット上で医療データを公開することは、医療のためのジェネラリストAIの構築を支援する可能性のある、非常に貴重なリソースであることを示す。

関連論文リスト

• Knowledge-driven AI-generated data for accurate and interpretable breast ultrasound diagnoses [29.70102468004044]
  本稿では, 知識駆動型生成モデルを構築し, 適切な合成データを生成するパイプラインTAILORを提案する。 生成モデルは、ソースデータとして3,749の病変を使用し、特にエラーを起こしやすいまれな症例において、数百万の乳房US画像を生成することができる。 今後の外部評価では, 同じ感度で9名の放射線技師の平均性能を33.5%向上させる。
  論文  参考訳（メタデータ） (2024-07-23T16:49:01Z)
• A Lung Nodule Dataset with Histopathology-based Cancer Type Annotation [12.617587827105496]
  本研究は,医療診断用データセットと信頼性ツールを提供することにより,このギャップを埋めることを目的としている。 330個の注記結節(結節は束縛箱とラベル付けされている)を95名の別患者から抽出し,CT画像の多彩なデータセットを収集した。 これらの有望な結果は、データセットが実現可能であり、さらにインテリジェントな補助診断を容易にすることを証明している。
  論文  参考訳（メタデータ） (2024-06-26T06:39:11Z)
• AI-Assisted Diagnosis for Covid-19 CXR Screening: From Data Collection to Clinical Validation [5.492165569390342]
  このプロジェクトの目的は、Chest X-ray(CXR)画像からCovid-19肺炎を診断する最先端のAIベースのシステムを開発することである。 提案した検出モデルは、最先端のデバイアスと組み合わせた2段階のアプローチに基づいて、信頼性の高い結果を提供する。
  論文  参考訳（メタデータ） (2024-05-19T16:06:26Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
  我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。 具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
  論文  参考訳（メタデータ） (2023-09-13T09:22:49Z)
• Towards Generalist Foundation Model for Radiology by Leveraging Web-scale 2D&3D Medical Data [66.9359934608229]
  この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。 われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。 本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
  論文  参考訳（メタデータ） (2023-08-04T17:00:38Z)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Automatic Diagnosis of COVID-19 from CT Images using CycleGAN and Transfer Learning [3.0797300440355997]
  事前学習したディープニューラルネットワークに基づく手法を提案する。 それは手作業、すなわち99.60%の正確さのための最先端の性能に達しました。 189人の患者から3163枚の画像を含むデータセットが収集され、医師によってラベル付けされた。
  論文  参考訳（メタデータ） (2021-04-24T13:12:20Z)
• Deep Learning in Detection and Diagnosis of Covid-19 using Radiology Modalities: A Systematic Review [0.0]
  Covid-19の早期発見と診断は、Covid-19の流行の主な課題の1つです。 医学とコンピュータの研究者は、放射線画像の分析に機械学習モデルを使う傾向があった。 ディープラーニングベースモデルには、Covid-19の検出と診断のための正確で効率的なシステムを実現する並外れた能力があります。
  論文  参考訳（メタデータ） (2020-12-21T18:54:01Z)

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。