論文の概要: VASARI-auto: equitable, efficient, and economical featurisation of glioma MRI
- arxiv url: http://arxiv.org/abs/2404.15318v1
- Date: Wed, 3 Apr 2024 13:33:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-28 10:56:51.101145
- Title: VASARI-auto: equitable, efficient, and economical featurisation of glioma MRI
- Title（参考訳）: VASARI-auto : グリオーマMRIの公平、効率的、経済的成果
- Authors: James K Ruffle, Samia Mohinta, Kelly Pegoretti Baruteau, Rebekah Rajiah, Faith Lee, Sebastian Brandner, Parashkev Nachev, Harpreet Hyare,
- Abstract要約: VASARI MRI機能セットはグリオーマ画像記述の標準化のために設計された定量的システムである。
VASARI-autoを開発した。これはオープンソースの病変マスクと利用可能な腫瘍分割モデルの両方に適用できる自動ラベルソフトウェアである。
- 参考スコア（独自算出の注目度）: 0.5030555438324599
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The VASARI MRI feature set is a quantitative system designed to standardise glioma imaging descriptions. Though effective, deriving VASARI is time-consuming and seldom used in clinical practice. This is a problem that machine learning could plausibly automate. Using glioma data from 1172 patients, we developed VASARI-auto, an automated labelling software applied to both open-source lesion masks and our openly available tumour segmentation model. In parallel, two consultant neuroradiologists independently quantified VASARI features in a subsample of 100 glioblastoma cases. We quantified: 1) agreement across neuroradiologists and VASARI-auto; 2) calibration of performance equity; 3) an economic workforce analysis; and 4) fidelity in predicting patient survival. Tumour segmentation was compatible with the current state of the art and equally performant regardless of age or sex. A modest inter-rater variability between in-house neuroradiologists was comparable to between neuroradiologists and VASARI-auto, with far higher agreement between VASARI-auto methods. The time taken for neuroradiologists to derive VASARI was substantially higher than VASARI-auto (mean time per case 317 vs. 3 seconds). A UK hospital workforce analysis forecast that three years of VASARI featurisation would demand 29,777 consultant neuroradiologist workforce hours ({\pounds}1,574,935), reducible to 332 hours of computing time (and {\pounds}146 of power) with VASARI-auto. The best-performing survival model utilised VASARI-auto features as opposed to those derived by neuroradiologists. VASARI-auto is a highly efficient automated labelling system with equitable performance across patient age or sex, a favourable economic profile if used as a decision support tool, and with non-inferior fidelity in downstream patient survival prediction. Future work should iterate upon and integrate such tools to enhance patient care.
- Abstract（参考訳）: VASARI MRI機能セットはグリオーマ画像記述の標準化のために設計された定量的システムである。
効果はあるものの、VASARIの誘導には時間がかかり、臨床ではほとんど使われない。
これは機械学習が確実に自動化できる問題だ。
1172例のグリオーマデータを用いてVASARI-autoを開発した。
同時に、2人のコンサルタント神経放射線学者が100例のグリオ芽腫のサブサンプルでVASARIの特徴を独立に定量化した。
私たちは次のように定量化した。
1) 神経放射線科医とVASARI-auto間の合意
2 パフォーマンスエクイティの校正
3 経済労働分析、及び
4) 患者生存予測における忠実度について検討した。
Tumourのセグメンテーションは現在の最先端と互換性があり、年齢や性別に関わらず同等に機能していた。
内科の神経放射線科医とVASARI-autoの間では,緩やかな変動がみられたが,VASARI-auto法とVASARI-auto法は一致しなかった。
神経放射線学者がVASARIを誘導する時間はVASARI-auto(平均317対3秒)よりも有意に高かった。
英国病院の労働力分析では、VASARI-autoの3年間は29,777人の神経放射線学者の労働時間(1,574,935人)を必要とし、VASARI-autoで332時間の計算時間(および146人)を再現できると予測されている。
ベストパフォーマンスサバイバルモデルでは、神経放射線学者によって派生されたものと対照的に、VASARI-autoの特徴を利用した。
VASARI-autoは、患者年齢や性別で同等の性能を持つ高度に効率的な自動ラベリングシステムであり、意思決定支援ツールとして使用すれば好適な経済プロファイルであり、下流患者の生存率予測において不確実である。
今後の作業は、患者のケアを強化するために、そうしたツールを反復して統合するべきである。
関連論文リスト
- REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。
グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。
本モデルは,発作検出と分類作業において高い精度を示す。
論文 参考訳（メタデータ） (2024-06-03T16:30:19Z) - A Machine Learning Approach for Identifying Anatomical Biomarkers of Early Mild Cognitive Impairment [2.9027661868249255]
アルツハイマー病は重要な課題であり、効果的な介入のために早期発見が必要である。
本研究では、MRIに基づくバイオマーカーの選択と分類のための機械学習手法を解析し、5年以内に健康的なコントロールと軽度の認知障害を区別する。
論文 参考訳（メタデータ） (2024-05-29T06:12:05Z) - COVID-19 Detection System: A Comparative Analysis of System Performance Based on Acoustic Features of Cough Audio Signals [0.6963971634605796]
本研究は、新型コロナウイルス検出における機械学習(ML)モデルの性能向上を図ることを目的としている。
MFCC(Mel Frequency Cepstral Coefficients)、クロマ(Chroma)、スペクトルコントラスト(Spectral Contrast)の3つの特徴抽出手法の有効性について検討し、2つの機械学習アルゴリズム、SVM(Support Vector Machine)とMLP(Multilayer Perceptron)に適用した。
提案システムでは,COUGHVIDデータセットでは0.843,Virufyでは0.953,最先端の分類性能を示す。
論文 参考訳（メタデータ） (2023-09-08T08:33:24Z) - 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) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - WHO 2016 subtyping and automated segmentation of glioma using multi-task
deep learning [2.8881360490071786]
我々は1つのマルチタスク畳み込みニューラルネットワークを開発し,IDHの変異状況,1p/19qの同時欠失状態,腫瘍のグレードを予測した。
我々は13の異なる施設から240人の患者を独立したデータセットで分析し、IDH-AUC 0.90, 1p/19q-AUC 0.85, grade-AUC 0.81, mean whole tumor DICE score 0.84を達成した。
論文 参考訳（メタデータ） (2020-10-09T08:18:53Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - An artificial intelligence system for predicting the deterioration of
COVID-19 patients in the emergency department [28.050958444802944]
新型コロナウイルス感染症(COVID-19)のパンデミックでは、救急署の患者を迅速かつ正確にトリアージすることが重要である。
胸部X線画像から学習したディープニューラルネットワークを用いて,データ駆動による劣化リスクの自動予測手法を提案する。
我々は3,661人の患者から得られたデータを用いて,96時間以内の劣化を予測した場合に,受信者の動作特性曲線(AUC)が0.786未満の領域を達成した。
論文 参考訳（メタデータ） (2020-08-04T19:20:31Z) - Accuracy of MRI Classification Algorithms in a Tertiary Memory Center
Clinical Routine Cohort [40.24757332810004]
自動体積測定ソフトウェア(AVS)は近年,神経放射線学者に広く普及している。
機械学習技術は診断を支援するための有望なアプローチとして登場した。
論文 参考訳（メタデータ） (2020-03-19T08:44:46Z)
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。