Fugu-MT 論文翻訳(概要): AI in Lung Health: Benchmarking Detection and Diagnostic Models Across Multiple CT Scan Datasets

論文の概要: AI in Lung Health: Benchmarking Detection and Diagnostic Models Across Multiple CT Scan Datasets

arxiv url: http://arxiv.org/abs/2405.04605v1
Date: Tue, 7 May 2024 18:36:40 GMT
ステータス: 処理完了
システム内更新日: 2024-05-09 16:04:43.225429
Title: AI in Lung Health: Benchmarking Detection and Diagnostic Models Across Multiple CT Scan Datasets
Title（参考訳）: 肺疾患におけるAI : 複数のCTスキャンデータセット間のベンチマーク検出と診断モデル
Authors: Fakrul Islam Tushar, Avivah Wang, Lavsen Dahal, Michael R. Harowicz, Kyle J. Lafata, Tina D. Tailor, Joseph Y. Lo,
Abstract要約: 肺がんの死亡率は早期発見によって緩和され、人工知能データセットにますます依存している。本研究は,デューク肺がんスクリーニングデータセットを用いたDLCSD-mDおよびLUNA16-mDモデルの開発と評価を行った。
参考スコア（独自算出の注目度）: 0.33923727961771083
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: BACKGROUND: Lung cancer's high mortality rate can be mitigated by early detection, which is increasingly reliant on artificial intelligence (AI) for diagnostic imaging. However, the performance of AI models is contingent upon the datasets used for their training and validation. METHODS: This study developed and validated the DLCSD-mD and LUNA16-mD models utilizing the Duke Lung Cancer Screening Dataset (DLCSD), encompassing over 2,000 CT scans with more than 3,000 annotations. These models were rigorously evaluated against the internal DLCSD and external LUNA16 and NLST datasets, aiming to establish a benchmark for imaging-based performance. The assessment focused on creating a standardized evaluation framework to facilitate consistent comparison with widely utilized datasets, ensuring a comprehensive validation of the model's efficacy. Diagnostic accuracy was assessed using free-response receiver operating characteristic (FROC) and area under the curve (AUC) analyses. RESULTS: On the internal DLCSD set, the DLCSD-mD model achieved an AUC of 0.93 (95% CI:0.91-0.94), demonstrating high accuracy. Its performance was sustained on the external datasets, with AUCs of 0.97 (95% CI: 0.96-0.98) on LUNA16 and 0.75 (95% CI: 0.73-0.76) on NLST. Similarly, the LUNA16-mD model recorded an AUC of 0.96 (95% CI: 0.95-0.97) on its native dataset and showed transferable diagnostic performance with AUCs of 0.91 (95% CI: 0.89-0.93) on DLCSD and 0.71 (95% CI: 0.70-0.72) on NLST. CONCLUSION: The DLCSD-mD model exhibits reliable performance across different datasets, establishing the DLCSD as a robust benchmark for lung cancer detection and diagnosis. Through the provision of our models and code to the public domain, we aim to accelerate the development of AI-based diagnostic tools and encourage reproducibility and collaborative advancements within the medical machine-learning (ML) field.
Abstract（参考訳）: BACKGROUND: 早期発見によって肺がんの死亡率を下げることができ、画像診断には人工知能(AI)がますます頼りになっている。しかし、AIモデルのパフォーマンスは、トレーニングと検証に使用されるデータセットに依存している。方法】Duke Lung Cancer Screening Dataset(DLCSD)を用いたDLCSD-mDおよびLUNA16-mDモデルを開発した。これらのモデルは、内部のDLCSDと外部のLUNA16およびNLSTデータセットに対して厳格に評価され、画像ベースのパフォーマンスのベンチマークを確立することを目的としている。この評価は、広く利用されているデータセットとの一貫性のある比較を容易にするための標準化された評価フレームワークの作成に焦点を当て、モデルの有効性の包括的な検証を保証する。自由応答型受信機動作特性 (FROC) と曲線下面積 (AUC) を用いて, 診断精度を評価した。 RESULTS: 内部のDLCSDセットでは、DLCSD-mDモデルはAUC 0.93 (95% CI:0.91-0.94)を達成し、高い精度を示した。 AUCはLUNA16では0.97(95% CI: 0.96-0.98)、NLSTでは0.75(95% CI: 0.73-0.76)であった。同様に、LUNA16-mDモデルは、AUCをネイティブデータセットで0.96(95% CI: 0.95-0.97)、DLCSDで0.91(95% CI: 0.89-0.93)、NLSTで0.71(95% CI: 0.70-0.72)で転送可能な診断性能を示した。 ConCLUSION: DLCSD-mDモデルは、異なるデータセットにわたる信頼性の高いパフォーマンスを示し、肺がんの検出と診断のための堅牢なベンチマークとしてDLCSDを確立する。我々のモデルとコードをパブリックドメインに提供することで、AIベースの診断ツールの開発を加速し、医療機械学習(ML)分野における再現性と協調的な進歩を促進することを目指している。

関連論文リスト

Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文参考訳（メタデータ） (2024-08-30T08:57:04Z)
Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文参考訳（メタデータ） (2024-03-27T16:56:14Z)
Quantifying uncertainty in lung cancer segmentation with foundation models applied to mixed-domain datasets [6.712251433139412]
医用画像基盤モデルは、極小調整で臓器や腫瘍を分割する能力を示している。これらのモデルは通常、タスク固有の分散(ID)データセットで評価される。我々は、自己教師付き学習(SSL)で訓練された複数の基礎モデルの性能を評価するために、計算的に高速なメトリクスの包括的セットを導入した。 SMITは高いF1スコア(LRAD: 0.60, 5Rater: 0.64)と低いエントロピー(LRAD: 0.06, 5Rater: 0.12)を生成し、腫瘍検出率と確実なセグメンテーションを示した。
論文参考訳（メタデータ） (2024-03-19T19:36:48Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
A Deep Learning Based Workflow for Detection of Lung Nodules With Chest Radiograph [0.0]
CXRから肺領域を識別するセグメンテーションモデルを構築し,それを16個のパッチに分割した。これらのラベル付きパッチを使用して、ディープニューラルネットワーク(DNN)モデルを微調整し、パッチをポジティブまたはネガティブに分類する。
論文参考訳（メタデータ） (2021-12-19T16:19:46Z)
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)
Semi-supervised learning for generalizable intracranial hemorrhage detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。 2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文参考訳（メタデータ） (2021-05-03T00:14:43Z)
Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文参考訳（メタデータ） (2021-02-18T21:14:52Z)
Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文参考訳（メタデータ） (2020-12-23T14:38:35Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Interpretable Machine Learning Model for Early Prediction of Mortality in Elderly Patients with Multiple Organ Dysfunction Syndrome (MODS): a Multicenter Retrospective Study and Cross Validation [9.808639780672156]
MODS患者は死亡リスクが高く予後不良である。本研究は,MODS高齢者の早期死亡予測のための解釈可能・一般化可能なモデルを開発することを目的とする。
論文参考訳（メタデータ） (2020-01-28T17:15:34Z)

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。