論文の概要: A Concept-based Interpretable Model for the Diagnosis of Choroid
Neoplasias using Multimodal Data
- arxiv url: http://arxiv.org/abs/2403.05606v1
- Date: Fri, 8 Mar 2024 07:15:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 13:13:23.067539
- Title: A Concept-based Interpretable Model for the Diagnosis of Choroid
Neoplasias using Multimodal Data
- Title（参考訳）: マルチモーダルデータを用いた脈絡膜腫瘍の診断のための概念ベース解釈モデル
- Authors: Yifan Wu, Yang Liu, Yue Yang, Michael S. Yao, Wenli Yang, Xuehui Shi,
Lihong Yang, Dongjun Li, Yueming Liu, James C. Gee, Xuan Yang, Wenbin Wei,
Shi Gu
- Abstract要約: 我々は成人で最も多い眼がんである脈絡膜新生症(5.1%)に焦点を当てた。
本研究は,3種類の脈絡膜腫瘍を識別する概念に基づく解釈可能なモデルを提案する。
注目すべきは、このモデルがブラックボックスモデルに匹敵するF1スコアの0.91を達成する一方で、ジュニア医師の診断精度を42%向上させることである。
- 参考スコア（独自算出の注目度）: 28.632437578685842
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosing rare diseases presents a common challenge in clinical practice,
necessitating the expertise of specialists for accurate identification. The
advent of machine learning offers a promising solution, while the development
of such technologies is hindered by the scarcity of data on rare conditions and
the demand for models that are both interpretable and trustworthy in a clinical
context. Interpretable AI, with its capacity for human-readable outputs, can
facilitate validation by clinicians and contribute to medical education. In the
current work, we focus on choroid neoplasias, the most prevalent form of eye
cancer in adults, albeit rare with 5.1 per million. We built the so-far largest
dataset consisting of 750 patients, incorporating three distinct imaging
modalities collected from 2004 to 2022. Our work introduces a concept-based
interpretable model that distinguishes between three types of choroidal tumors,
integrating insights from domain experts via radiological reports. Remarkably,
this model not only achieves an F1 score of 0.91, rivaling that of black-box
models, but also boosts the diagnostic accuracy of junior doctors by 42%. This
study highlights the significant potential of interpretable machine learning in
improving the diagnosis of rare diseases, laying a groundwork for future
breakthroughs in medical AI that could tackle a wider array of complex health
scenarios.
- Abstract（参考訳）: 稀な疾患の診断は臨床実践において共通の課題であり、正確な同定のために専門家の専門知識を必要とする。
機械学習の出現は有望な解決策を提供するが、そのような技術の開発は、まれな状況におけるデータの不足と、臨床的な文脈において解釈可能かつ信頼できるモデルの必要性によって妨げられている。
解釈可能なAIは、人間の読みやすい出力の能力を持ち、臨床医による検証を促進し、医学教育に貢献することができる。
現在の研究では、成人で最も多い眼がんである脈絡膜新生症(5.1%)に焦点を当てている。
2004年から2022年にかけて収集された3つの異なる画像モダリティを組み込んだ750人の患者からなる超大規模データセットを構築した。
本研究は, 3種類の脈絡膜腫瘍を鑑別し, 放射線学的報告による領域の専門家からの洞察を統合した, 概念に基づく解釈可能なモデルを提案する。
興味深いことに、このモデルはブラックボックスモデルに匹敵するF1スコア0.91を達成するだけでなく、ジュニア医師の診断精度を42%向上させる。
この研究は、希少な疾患の診断を改善するための解釈可能な機械学習の有意義な可能性を強調し、より広範な複雑な健康シナリオに取り組むことができる医療AIにおける将来のブレークスルーの土台を築いた。
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) - Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。
本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文 参考訳（メタデータ） (2024-07-08T09:08:42Z) - Summarizing Radiology Reports Findings into Impressions [1.8964110318127383]
本稿では,最新の放射線学報告による要約性能のモデルを提案する。
また、モデル限界と放射線学知識の獲得について分析する。
我々の最高の性能モデルは、58.75/100 ROUGE-L F1で調整されたBERT-to-BERTエンコーダデコーダであった。
論文 参考訳（メタデータ） (2024-05-10T20:29:25Z) - Advancing Multimodal Medical Capabilities of Gemini [32.28727204275662]
我々は、ジェミニのコア能力を継承する新しいメドジェニーニ族の中で、いくつかのモデルを開発する。
Med-Gemini-2Dは、専門家の評価に基づいて、AIベースの胸部X線(CXR)レポート生成の新しい標準を設定する。
Med-Gemini-3D は3次元CT(Computerd tomography)ボリュームのための最初の大規模マルチモーダル・モデルに基づくレポート生成である。
論文 参考訳（メタデータ） (2024-05-06T04:44:22Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis:
A review [2.2268038840298714]
バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。
機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
論文 参考訳（メタデータ） (2024-01-12T07:01:36Z) - Reconstruction of Patient-Specific Confounders in AI-based Radiologic
Image Interpretation using Generative Pretraining [12.656718786788758]
本稿では,DiffChestと呼ばれる自己条件拡散モデルを提案し,胸部X線画像のデータセット上で訓練する。
DiffChest氏は、患者固有のレベルでの分類を説明し、モデルを誤解させる可能性のある要因を視覚化する。
本研究は,医用画像分類における拡散モデルに基づく事前訓練の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2023-09-29T10:38:08Z) - BiomedGPT: A Generalist Vision-Language Foundation Model for Diverse Biomedical Tasks [68.39821375903591]
汎用AIは、さまざまなデータ型を解釈する汎用性のために、制限に対処する可能性を秘めている。
本稿では,最初のオープンソースかつ軽量な視覚言語基盤モデルであるBiomedGPTを提案する。
論文 参考訳（メタデータ） (2023-05-26T17:14:43Z) - Generative models improve fairness of medical classifiers under
distribution shifts [49.10233060774818]
データから現実的な拡張を自動的に学習することは、生成モデルを用いてラベル効率の良い方法で可能であることを示す。
これらの学習の強化は、モデルをより堅牢で統計的に公平に配布できることを示した。
論文 参考訳（メタデータ） (2023-04-18T18:15:38Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Predicting Clinical Diagnosis from Patients Electronic Health Records
Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。
本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。
約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文 参考訳（メタデータ） (2020-07-15T09:22:55Z)
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。