論文の概要: Deployment of Deep Learning Model in Real World Clinical Setting: A Case Study in Obstetric Ultrasound
- arxiv url: http://arxiv.org/abs/2404.00032v1
- Date: Fri, 22 Mar 2024 14:38:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-07 23:17:33.288006
- Title: Deployment of Deep Learning Model in Real World Clinical Setting: A Case Study in Obstetric Ultrasound
- Title（参考訳）: 実地臨床における深層学習モデルの展開 : 産科超音波を事例として
- Authors: Chun Kit Wong, Mary Ngo, Manxi Lin, Zahra Bashir, Amihai Heen, Morten Bo Søndergaard Svendsen, Martin Grønnebæk Tolsgaard, Anders Nymark Christensen, Aasa Feragen,
- Abstract要約: 実世界の臨床環境で画像ベースAIモデルをデプロイするための汎用フレームワークを提案する。
胎児超音波標準平面検出のための訓練されたモデルをデプロイし,初級者および熟練者の両方でリアルタイムに評価する。
- 参考スコア（独自算出の注目度）: 5.925413857641955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the rapid development of AI models in medical image analysis, their validation in real-world clinical settings remains limited. To address this, we introduce a generic framework designed for deploying image-based AI models in such settings. Using this framework, we deployed a trained model for fetal ultrasound standard plane detection, and evaluated it in real-time sessions with both novice and expert users. Feedback from these sessions revealed that while the model offers potential benefits to medical practitioners, the need for navigational guidance was identified as a key area for improvement. These findings underscore the importance of early deployment of AI models in real-world settings, leading to insights that can guide the refinement of the model and system based on actual user feedback.
- Abstract（参考訳）: 医療画像解析におけるAIモデルの急速な発展にもかかわらず、実際の臨床環境での検証は限られている。
これを解決するために、画像ベースのAIモデルをそのような設定でデプロイするために設計された汎用フレームワークを導入する。
このフレームワークを用いて胎児超音波標準平面検出のための訓練モデルを構築し,初級者および熟練者の双方でリアルタイムに評価した。
これらのセッションからのフィードバックは、このモデルが医療従事者に潜在的利益をもたらす一方で、ナビゲーションガイダンスの必要性が改善の鍵となる領域として認識されたことを明らかにした。
これらの発見は、AIモデルの現実の環境での初期展開の重要性を強調し、実際のユーザフィードバックに基づいてモデルとシステムの洗練を導くための洞察をもたらす。
関連論文リスト
- Leveraging Computational Pathology AI for Noninvasive Optical Imaging Analysis Without Retraining [3.6835809728620634]
非侵襲的な光学画像モダリティは、患者の組織を3Dでプローブし、時間とともに、サンプルごとに臨床的に関係のあるデータをギガバイト生成する。
このデータを分析し、臨床ワークフローを支援するために、AIモデルが必要である。
本稿では,リトレーニングなしで計算病理から任意のAIモデルを適用する手法であるFoundationShiftを紹介する。
論文 参考訳（メタデータ） (2024-11-18T14:35:01Z) - 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) - Show from Tell: Audio-Visual Modelling in Clinical Settings [58.88175583465277]
臨床環境でのオーディオ・ビジュアル・モデリングを考察し、人間の専門的アノテーションを使わずに医学的表現を学習するためのソリューションを提供する。
この目的のために, 単純かつ効果的なマルチモーダル自己教師型学習フレームワークを提案する。
提案手法は,音声のみを基準として,超音波画像中の解剖学的関心領域をローカライズすることができる。
論文 参考訳（メタデータ） (2023-10-25T08:55:48Z) - Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。
この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。
ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。
自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
論文 参考訳（メタデータ） (2023-09-21T09:06:36Z) - An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。
モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
論文 参考訳（メタデータ） (2023-08-20T15:22:08Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。
データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。
比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文 参考訳（メタデータ） (2022-04-09T13:04:36Z) - RapidRead: Global Deployment of State-of-the-art Radiology AI for a
Large Veterinary Teleradiology Practice [0.20702670457720462]
この研究は、イヌとネコの無線画像を評価するディープラーニングベースのAIシステムの開発と実際の展開について説明する。
本稿では,25万枚以上のX線画像を利用したNLPラベルと自己教師付きトレーニングを組み合わせた,新たな半教師付き学習手法について述べる。
論文 参考訳（メタデータ） (2021-11-09T14:05:16Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - 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) - Unsupervised Domain Adaptation for Mammogram Image Classification: A
Promising Tool for Model Generalization [17.941506832422192]
一般化は、深層学習モデルの医療画像への応用における重要な課題の1つである。
本稿では,Cycle-GANを用いた教師なしドメイン適応(UDA)手法を提案する。
論文 参考訳（メタデータ） (2020-03-02T02:42:43Z)
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。