論文の概要: Empowering Tuberculosis Screening with Explainable Self-Supervised Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2406.13750v1
- Date: Wed, 19 Jun 2024 18:10:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 18:35:22.135214
- Title: Empowering Tuberculosis Screening with Explainable Self-Supervised Deep Neural Networks
- Title(参考訳): 説明可能な自己監督型ディープニューラルネットワークによる結核スクリーニング
- Authors: Neel Patel, Alexander Wong, Ashkan Ebadi,
- Abstract要約: 結核は、特に資源に制限された人口や遠隔地において、世界的な健康危機として存続している。
本研究では,結核症例検診に適した自己指導型自己学習ネットワークを提案する。
ネットワーク全体の精度は98.14%で、それぞれ95.72%と99.44%という高いリコール率と精度を示している。
- 参考スコア(独自算出の注目度): 66.59360534642579
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tuberculosis persists as a global health crisis, especially in resource-limited populations and remote regions, with more than 10 million individuals newly infected annually. It stands as a stark symbol of inequity in public health. Tuberculosis impacts roughly a quarter of the global populace, with the majority of cases concentrated in eight countries, accounting for two-thirds of all tuberculosis infections. Although a severe ailment, tuberculosis is both curable and manageable. However, early detection and screening of at-risk populations are imperative. Chest x-ray stands as the predominant imaging technique utilized in tuberculosis screening efforts. However, x-ray screening necessitates skilled radiologists, a resource often scarce, particularly in remote regions with limited resources. Consequently, there is a pressing need for artificial intelligence (AI)-powered systems to support clinicians and healthcare providers in swift screening. However, training a reliable AI model necessitates large-scale high-quality data, which can be difficult and costly to acquire. Inspired by these challenges, in this work, we introduce an explainable self-supervised self-train learning network tailored for tuberculosis case screening. The network achieves an outstanding overall accuracy of 98.14% and demonstrates high recall and precision rates of 95.72% and 99.44%, respectively, in identifying tuberculosis cases, effectively capturing clinically significant features.
- Abstract(参考訳): 結核は、特に資源に制限された人口や遠隔地では世界的な健康危機として存続し、毎年1000万人以上の人が新たに感染している。
公衆衛生における不平等の象徴である。
結核は世界の人口の約4分の1に影響を及ぼし、大半は8カ国に集中しており、全結核感染の3分の2を占める。
重篤な病気であるが、結核は治療も管理も可能である。
しかし、リスクの高い集団の早期発見とスクリーニングは必須である。
胸部X線は、結核スクリーニングに使用される主な画像技術である。
しかし、X線スクリーニングは専門の放射線学者を必要とし、特に限られた資源を持つ遠隔地では資源が不足することが多い。
その結果、迅速なスクリーニングで臨床医や医療提供者を支援するために人工知能(AI)を利用したシステムの必要性が高まっている。
しかし、信頼できるAIモデルをトレーニングするには、大規模な高品質なデータが必要である。
これらの課題に触発されて,本研究では,結核症例検診に適した自己指導型自己学習ネットワークを提案する。
ネットワークの全体的な精度は98.14%で、それぞれ95.72%と99.44%と高いリコール率を示し、結核の症例を同定し、臨床的に重要な特徴を効果的に捉えている。
関連論文リスト
- Zero-Shot Pediatric Tuberculosis Detection in Chest X-Rays using
Self-Supervised Learning [0.0]
世界保健機関(WHO)は、TBスクリーニングのための胸部X線(CXR)を提唱している。
放射線医による視覚的解釈は、特に小児TBにおいて主観的、時間的、誤認しがちである。
本稿では,CXR における TB 検出を改善するために視覚変換器 (ViT) を利用した新たな自己監督パラダイムを提案する。
論文 参考訳(メタデータ) (2024-02-22T17:55:18Z) - Early Detection of Tuberculosis with Machine Learning Cough Audio
Analysis: Towards More Accessible Global Triaging Usage [0.0]
TB診断のための現在の金の基準は遅いかアクセス不能である。
現在の機械学習(ML)診断研究は、胸部X線写真の利用と同様に効果がない。
新たなMLアーキテクチャを用いて,スマートフォンからコーズの音響疫学を解析するアンサンブルモデルを開発した。
結果は15秒以内に提供され、モバイルアプリから簡単にアクセスできる。
論文 参考訳(メタデータ) (2023-10-25T23:22:20Z) - Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。
深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。
結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。
このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
論文 参考訳(メタデータ) (2023-07-06T08:27:48Z) - Deep learning-based lung segmentation and automatic regional template in
chest X-ray images for pediatric tuberculosis [0.0]
臨床実習における胸部X線検査(CXR)によるTB評価
人工知能が支援するコンピュータ支援診断システムは、経験豊富な放射線科医のTB読取に匹敵する性能を示した。
小児CXR画像から肺・縦隔領域を自動的に局所化し抽出することを目的とした多視点深層学習ソリューションを提案する。
論文 参考訳(メタデータ) (2023-01-31T17:33:35Z) - COVID-Net USPro: An Open-Source Explainable Few-Shot Deep Prototypical
Network to Monitor and Detect COVID-19 Infection from Point-of-Care
Ultrasound Images [66.63200823918429]
COVID-Net USProは、最小限の超音波画像から高精度で新型コロナウイルス陽性の患者を監視し、検出する。
ネットワーク全体では99.65%の精度、99.7%のリコール、99.67%の精度で5発の撮影で訓練された。
論文 参考訳(メタデータ) (2023-01-04T16:05:51Z) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳(メタデータ) (2021-08-05T16:47:33Z) - COVID-Net CT-S: 3D Convolutional Neural Network Architectures for
COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。
3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
論文 参考訳(メタデータ) (2021-05-04T04:44:41Z) - TB-Net: A Tailored, Self-Attention Deep Convolutional Neural Network
Design for Detection of Tuberculosis Cases from Chest X-ray Images [66.93350009086132]
結核は世界的な健康問題であり、感染症による死亡の主な原因です。
リソース制限シナリオで使用する人工知能ベースのTBスクリーニングソリューションに大きな関心が寄せられています。
TBケーススクリーニングに適した自己意識型ディープ畳み込みニューラルネットワークTB-Netについて紹介します。
論文 参考訳(メタデータ) (2021-04-06T14:09:05Z) - Deep Learning Methods for Screening Pulmonary Tuberculosis Using Chest
X-rays [0.974672460306765]
提案したディープラーニングパイプラインは,肺X線の生成,分画,分類を行う,最先端の3つのアーキテクチャの異なる状態で構成されている。
分類精度は97.1% (Youden's index-0.941, Sensitivity of 97.9%, specificity of 96.2%) となり,既存の文献と比較してかなり改善された。
論文 参考訳(メタデータ) (2020-12-25T14:21:35Z)
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。