Fugu-MT 論文翻訳(概要): AI-based Anomaly Detection for Clinical-Grade Histopathological Diagnostics

論文の概要: AI-based Anomaly Detection for Clinical-Grade Histopathological Diagnostics

arxiv url: http://arxiv.org/abs/2406.14866v1
Date: Fri, 21 Jun 2024 04:59:19 GMT
ステータス: 処理完了
システム内更新日: 2024-06-24 14:42:51.122370
Title: AI-based Anomaly Detection for Clinical-Grade Histopathological Diagnostics
Title（参考訳）: 臨床グレード病理診断のためのAIによる異常検出
Authors: Jonas Dippel, Niklas Prenißl, Julius Hense, Philipp Liznerski, Tobias Winterhoff, Simon Schallenberg, Marius Kloft, Oliver Buchstab, David Horst, Maximilian Alber, Lukas Ruff, Klaus-Robert Müller, Frederick Klauschen,
Abstract要約: 臨床では、病気はほとんどないが、ほとんどの疾患は少ない。現在のAIモデルは、これらの病気を見落としたり、分類ミスしたりする。そこで本研究では,より頻度の低い疾患も検出するために,一般的な疾患からのトレーニングデータのみを必要とする深層異常検出手法を提案する。
参考スコア（独自算出の注目度）: 24.833696455985795
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: While previous studies have demonstrated the potential of AI to diagnose diseases in imaging data, clinical implementation is still lagging behind. This is partly because AI models require training with large numbers of examples only available for common diseases. In clinical reality, however, only few diseases are common, whereas the majority of diseases are less frequent (long-tail distribution). Current AI models overlook or misclassify these diseases. We propose a deep anomaly detection approach that only requires training data from common diseases to detect also all less frequent diseases. We collected two large real-world datasets of gastrointestinal biopsies, which are prototypical of the problem. Herein, the ten most common findings account for approximately 90% of cases, whereas the remaining 10% contained 56 disease entities, including many cancers. 17 million histological images from 5,423 cases were used for training and evaluation. Without any specific training for the diseases, our best-performing model reliably detected a broad spectrum of infrequent ("anomalous") pathologies with 95.0% (stomach) and 91.0% (colon) AUROC and generalized across scanners and hospitals. By design, the proposed anomaly detection can be expected to detect any pathological alteration in the diagnostic tail of gastrointestinal biopsies, including rare primary or metastatic cancers. This study establishes the first effective clinical application of AI-based anomaly detection in histopathology that can flag anomalous cases, facilitate case prioritization, reduce missed diagnoses and enhance the general safety of AI models, thereby driving AI adoption and automation in routine diagnostics and beyond.
Abstract（参考訳）: これまでの研究では、画像データ中の病気を診断するAIの可能性を実証してきたが、臨床実装はまだ遅れている。これは、AIモデルが一般的な疾患にのみ利用可能な多数の例でトレーニングを必要とするためである。しかし、臨床では病気はごくわずかであるが、ほとんどの疾患は頻度が低い(長い尾の分布)。現在のAIモデルは、これらの病気を見落としたり、分類ミスしたりする。そこで本研究では,より頻度の低い疾患も検出するために,一般的な疾患からのトレーニングデータのみを必要とする深層異常検出手法を提案する。我々は,この問題の原型である消化器生検の2つの大規模な実世界のデータセットを収集した。ここでは、最も一般的な10例が約90%の症例であり、残りの10%には、多くのがんを含む56の疾患が含まれている。 5,423例の組織像1700万枚をトレーニングと評価に使用した。本研究は,本疾患の特定トレーニングを伴わず,95.0%(胃)および91.0%(大腸)AUROCの低頻度(非悪性)の病態を確実に検出し,スキャナーおよび病院間で一般化した。提案した異常検出法は,消化管生検の診断尾の病理学的変化を検出することが期待できる。本研究は, 病理組織学におけるAIベースの異常検出の有効な臨床応用として, 異常症例のフラグ付け, 症例優先化の促進, 欠失診断の低減, AIモデルの安全性の向上, 定期診断等におけるAI導入と自動化の促進を図ったものである。

関連論文リスト

Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。 UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文参考訳（メタデータ） (2024-11-25T13:40:11Z)
Assessing and Enhancing Large Language Models in Rare Disease Question-answering [64.32570472692187]
本稿では,レアな疾患の診断におけるLarge Language Models (LLMs) の性能を評価するために,レアな疾患問合せデータセット(ReDis-QA)を導入する。 ReDis-QAデータセットでは1360の高品質な質問応答ペアを収集し,205の稀な疾患をカバーした。その後、いくつかのオープンソースのLCMをベンチマークし、希少疾患の診断がこれらのモデルにとって重要な課題であることを示した。実験の結果,ReCOPは,ReDis-QAデータセット上でのLCMの精度を平均8%向上できることがわかった。
論文参考訳（メタデータ） (2024-08-15T21:09:09Z)
Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
論文参考訳（メタデータ） (2024-07-08T09:08:42Z)
Methodology and Real-World Applications of Dynamic Uncertain Causality Graph for Clinical Diagnosis with Explainability and Invariance [41.373856519548404]
Dynamic Uncertain Causality Graph (DUCG)アプローチは、さまざまなアプリケーションシナリオで因果性駆動、説明可能、不変である。 54件の主訴を含む46件のDUCGモデルが製造された。実際の診断は100万件以上行われており、誤診断は17例に過ぎなかった。
論文参考訳（メタデータ） (2024-06-09T11:37:45Z)
A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文参考訳（メタデータ） (2024-05-21T06:44:40Z)
Artificial intelligence for abnormality detection in high volume neuroimaging: a systematic review and meta-analysis [0.5934394862891423]
神経画像における異常を検出する人工知能(AI)モデルを評価するほとんどの研究は、非表現的な患者コホートで試験されている。目的は、診断テストの精度を判定し、第一線高ボリュームのニューロイメージングタスクを実行するAIモデルの使用を支持する証拠を要約することであった。
論文参考訳（メタデータ） (2024-05-09T10:12:17Z)
Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
論文参考訳（メタデータ） (2023-12-26T18:20:48Z)
Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic Review [1.832300121391956]
方法: PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を行った。 PROBASTを用いてバイアスのリスクを評価した。 37の診断モデル、22の予後モデル、21の診断関連結果を含む80の関心モデルがあった。すべてのモデルが全体として偏見のリスクが高いか、あるいは不明確であることが判明し、ほとんどの研究は分析において偏見のリスクが高いことが判明した。
論文参考訳（メタデータ） (2023-03-31T12:26:29Z)
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)
Deep Learning for Distinguishing Normal versus Abnormal Chest Radiographs and Generalization to Unseen Diseases [7.93382570661604]
我々は,CXRを正常または異常と分類するAIシステムを開発し,評価した。以上の結果から,AIシステムは新たな患者数と異常に一般化することが示唆された。
論文参考訳（メタデータ） (2020-10-22T01:52:51Z)
Deep Learning-based Computational Pathology Predicts Origins for Cancers of Unknown Primary [2.645435564532842]
原発不明癌 (CUP) は腫瘍由来の原発性解剖学的部位を特定できない診断群である。最近の研究は、腫瘍原点の同定にゲノム学と転写学を使うことに重点を置いている。深層学習に基づくCUPの差分診断が可能な計算病理アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-24T17:59:36Z)

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。