論文の概要: Moving Healthcare AI-Support Systems for Visually Detectable Diseases onto Constrained Devices

• arxiv url: http://arxiv.org/abs/2408.08215v1
• Date: Thu, 15 Aug 2024 15:23:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 13:26:45.316417
• Title: Moving Healthcare AI-Support Systems for Visually Detectable Diseases onto Constrained Devices
• Title（参考訳）: 医用医療用AI-Support System for Visually Detectable Diseases to Constrained Devices
• Authors: Tess Watt, Christos Chrysoulas, Peter J Barclay,
• Abstract要約: このパイロットスタディでは、低接続環境において、低スペックデバイスで医療サポートを提供するために、microMLの使用について検討している。 1万枚の皮膚病変の画像を用いて、視覚的に検出可能な疾患を分類するモデルを訓練した。 その結果, 試作機の精度は78%, 試験損失は1.08であった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image classification usually requires connectivity and access to the cloud which is often limited in many parts of the world, including hard to reach rural areas. TinyML aims to solve this problem by hosting AI assistants on constrained devices, eliminating connectivity issues by processing data within the device itself, without internet or cloud access. This pilot study explores the use of tinyML to provide healthcare support with low spec devices in low connectivity environments, focusing on diagnosis of skin diseases and the ethical use of AI assistants in a healthcare setting. To investigate this, 10,000 images of skin lesions were used to train a model for classifying visually detectable diseases (VDDs). The model weights were then offloaded to a Raspberry Pi with a webcam attached, to be used for the classification of skin lesions without internet access. It was found that the developed prototype achieved a test accuracy of 78% and a test loss of 1.08.
• Abstract（参考訳）: 画像分類は通常、接続性やクラウドへのアクセスを必要とするが、これは世界中の多くの地域で限られており、農村部への到達が困難である。 TinyMLは、制約のあるデバイスにAIアシスタントをホストすることでこの問題を解決し、インターネットやクラウドアクセスなしでデバイス内部でデータを処理することで接続性の問題を取り除くことを目的としている。 このパイロットスタディでは、低接続環境における低スペックデバイスによる医療支援のために、皮膚疾患の診断と、医療環境におけるAIアシスタントの倫理的使用に焦点を当てた、microMLの使用について検討している。 これを調べるために、1万枚の皮膚病変の画像を用いて、視覚的に検出可能な疾患(VDD)を分類するモデルを訓練した。 モデルの重量は、ウェブカメラを装着したRaspberry Piにオフロードされ、インターネットアクセスなしで皮膚病変の分類に使用される。 その結果, 試作機の精度は78%, 試験損失は1.08であった。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• AI-Assisted Cervical Cancer Screening [0.7124971549479362]
  低所得国と中所得国(LMICs)の資源制約環境では、視覚検査が最も有効な頸がん検診試験である。 カメラやスマートフォンを統合するさまざまなハンドヘルドデバイスは、最近、VIA中に頚部画像をキャプチャし、遠隔医療やAIモデルによる意思決定を支援するために研究されている。 本稿では,スマートフォンをベースとしたAI支援システムを構築するためのエンド・ツー・エンドの設計プロセスについて述べる。
  論文  参考訳（メタデータ） (2024-03-18T16:34:38Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Agile gesture recognition for capacitive sensing devices: adapting on-the-job [55.40855017016652]
  本システムでは, コンデンサセンサからの信号を手の動き認識器に組み込んだ手動作認識システムを提案する。 コントローラは、着用者5本の指それぞれからリアルタイム信号を生成する。 機械学習技術を用いて時系列信号を解析し,500ms以内で5本の指を表現できる3つの特徴を同定する。
  論文  参考訳（メタデータ） (2023-05-12T17:24:02Z)
• MAIScope: A low-cost portable microscope with built-in vision AI to automate microscopic diagnosis of diseases in remote rural settings [0.0]
  マラリアは、2020年だけで62万7000人が死亡し、2億2100万人以上が感染したと推定されている。 本稿では,顕微鏡画像の撮影と組込み型AIによるマラリア寄生虫の自動検出が可能な,新しい低コスト携帯型デバイスであるMass-AI-Scope(MAIScope)を提案する。
  論文  参考訳（メタデータ） (2022-08-12T04:39:20Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Anomaly Detection in Retinal Images using Multi-Scale Deep Feature Sparse Coding [30.097208168480826]
  本稿では,網膜画像の異常検出のための教師なしアプローチを導入し,この問題を克服する。 我々は,Eye-Q,IDRiD,OCTIDデータセット上での最先端のSPADEに対して,AUCスコアが7.8%,6.7%,12.1%向上した。
  論文  参考訳（メタデータ） (2022-01-27T13:36:22Z)
• Privacy-preserving Machine Learning for Medical Image Classification [0.0]
  画像分類は、医療産業における機械学習(ML)の重要なユースケースである。 このような自動化システムを使用する場合、プライバシー上の懸念がある。 本研究では,胸部X線画像から肺炎の診断を行う医療画像分類問題の文脈において,これらの課題を解決することを目的とする。
  論文  参考訳（メタデータ） (2021-08-29T10:50:18Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• An Interpretable Multiple-Instance Approach for the Detection of referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
  基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。 画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。 我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
  論文  参考訳（メタデータ） (2021-03-02T13:14:15Z)
• A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
  アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。 スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
  論文  参考訳（メタデータ） (2020-08-19T04:28:17Z)

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。