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/2405.04605v2
Date: Wed, 12 Jun 2024 22:18:41 GMT
ステータス: 処理完了
システム内更新日: 2024-06-14 23:06:20.310584
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: 肺がんの死亡率の高さは早期発見によって緩和され、画像診断のAIにますます依存している。本研究は、結節検出と癌分類タスクの両方において、AIモデルを開発し、検証する。
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: Lung cancer's high mortality rate can be mitigated by early detection, increasingly reliant on AI for diagnostic imaging. However, AI model performance depends on training and validation datasets. This study develops and validates AI models for both nodule detection and cancer classification tasks. For detection, two models (DLCSD-mD and LUNA16-mD) were developed using the Duke Lung Cancer Screening Dataset (DLCSD), with over 2,000 CT scans from 1,613 patients and more than 3,000 annotations. These models were evaluated on internal (DLCSD) and external datasets, including LUNA16 (601 patients, 1186 nodules) and NLST (969 patients, 1192 nodules), using FROC analysis and AUC metrics. For classification, five models were developed and tested: a randomly initialized 3D ResNet50, Genesis, MedNet3D, an enhanced ResNet50 using Strategic Warm-Start++ (SWS++), and a linear classifier analyzing features from the Foundation Model for Cancer Biomarkers (FMCB). These models were trained to distinguish between benign and malignant nodules and evaluated using AUC analysis on internal (DLCSD) and external datasets, including LUNA16 (433 patients, 677 nodules) and NLST. The DLCSD-mD model achieved an AUC of 0.93 (95% CI: 0.91-0.94) on the internal DLCSD dataset. External validation results were 0.97 (95% CI: 0.96-0.98) on LUNA16 and 0.75 (95% CI: 0.73-0.76) on NLST. For classification, the ResNet50-SWS++ model recorded AUCs of 0.71 (95% CI: 0.61-0.81) on DLCSD, 0.90 (95% CI: 0.87-0.93) on LUNA16, and 0.81 (95% CI: 0.79-0.82) on NLST. Other models showed varying performance across datasets, underscoring the importance of diverse model approaches. This benchmarking establishes DLCSD as a reliable resource for lung cancer AI research.
Abstract（参考訳）: 肺がんの死亡率の高さは早期発見によって緩和され、画像診断のAIにますます依存している。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データセットに依存する。本研究は、結節検出と癌分類タスクの両方において、AIモデルを開発し、検証する。検出にはデューク肺がんスクリーニングデータセット(DLCSD)を用いて2つのモデル(DLCSD-mDとLUNA16-mD)を開発した。これらのモデルは, LUNA16 (601例, 1186ノジュール), NLST (969例, 1192ノジュール) を含む内部(DLCSD) および外部データセットを用いて, FROC分析およびAUC測定値を用いて評価した。ランダムに初期化した3D ResNet50, Genesis, MedNet3D, Strategic Warm-Start++ (SWS++)を使用した拡張ResNet50, Foundation for Cancer Biomarkers (FMCB) の線形分類器解析機能である。これらのモデルは良性結節と悪性結節を区別するために訓練され、内部(DLCSD)およびLUNA16(433例,677結節)およびNLSTを含む外部データセットのAUC解析を用いて評価された。 DLCSD-mDモデルは、内部のDLCSDデータセット上でAUC 0.93 (95% CI: 0.91-0.94)を達成した。外部検証結果は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。 ResNet50-SWS++モデルでは、DLCSDでは0.71 (95% CI: 0.61-0.81)、LUNA16では0.90 (95% CI: 0.87-0.93)、NLSTでは0.81 (95% CI: 0.79-0.82)と記録されている。他のモデルでは、データセット間でさまざまなパフォーマンスを示し、多様なモデルアプローチの重要性を強調した。このベンチマークは、肺がんAI研究の信頼できるリソースとしてDLCSDを確立している。

関連論文リスト

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)
Problems and shortcuts in deep learning for screening mammography [2.9033848132822726]
この研究は、ディープラーニングモデルの性能と一般化性に関する未解明の課題を明らかにする。私たちは2008年から2017年にかけて取得された120,112の米国立試験(3,467のがん)の振り返りデータセットに基づいて、がんを分類するAIモデルを訓練した。 11,593人(がん102人,女性7,594人,女性57.1人,女性11.0人),英国1,880人(がん590人,女性1,745人,女性63.3人,女性7.2人)を対象に検診を行った。
論文参考訳（メタデータ） (2023-03-29T02:50:59Z)
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 Generalizable Artificial Intelligence Model for COVID-19 Classification Task Using Chest X-ray Radiographs: Evaluated Over Four Clinical Datasets with 15,097 Patients [6.209420804714487]
トレーニングされたモデルの一般化性は、4つの異なる実世界の臨床データセットを用いて遡及的に評価された。単一ソースの臨床データセットを使用してトレーニングされたAIモデルは、内部時間テストセットに適用すると、AUCが0.82に達した。医療画像・データ資源センターが収集した多施設のCOVID-19データセットに適用すると、AUCは0.79に達した。
論文参考訳（メタデータ） (2022-10-04T04:12:13Z)
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。