論文の概要: Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions
- arxiv url: http://arxiv.org/abs/2410.10509v1
- Date: Mon, 14 Oct 2024 13:49:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-29 21:14:59.039009
- Title: Artificial Intelligence-Based Triaging of Cutaneous Melanocytic Lesions
- Title（参考訳）: 人工知能による皮膚メラノサイトーシス病変のトリアージ
- Authors: Ruben T. Lucassen, Nikolas Stathonikos, Gerben E. Breimer, Mitko Veta, Willeke A. M. Blokx,
- Abstract要約: 患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
われわれは,全スライド画像に基づいて皮膚メラノサイト性病変をトリアージする人工知能(AI)モデルを開発した。
- 参考スコア（独自算出の注目度）: 0.8864540224289991
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pathologists are facing an increasing workload due to a growing volume of cases and the need for more comprehensive diagnoses. Aiming to facilitate workload reduction and faster turnaround times, we developed an artificial intelligence (AI) model for triaging cutaneous melanocytic lesions based on whole slide images. The AI model was developed and validated using a retrospective cohort from the UMC Utrecht. The dataset consisted of 52,202 whole slide images from 27,167 unique specimens, acquired from 20,707 patients. Specimens with only common nevi were assigned to the low complexity category (86.6%). In contrast, specimens with any other melanocytic lesion subtype, including non-common nevi, melanocytomas, and melanomas, were assigned to the high complexity category (13.4%). The dataset was split on patient level into a development set (80%) and test sets (20%) for independent evaluation. Predictive performance was primarily measured using the area under the receiver operating characteristic curve (AUROC) and the area under the precision-recall curve (AUPRC). A simulation experiment was performed to study the effect of implementing AI-based triaging in the clinic. The AI model reached an AUROC of 0.966 (95% CI, 0.960-0.972) and an AUPRC of 0.857 (95% CI, 0.836-0.877) on the in-distribution test set, and an AUROC of 0.899 (95% CI, 0.860-0.934) and an AUPRC of 0.498 (95% CI, 0.360-0.639) on the out-of-distribution test set. In the simulation experiment, using random case assignment as baseline, AI-based triaging prevented an average of 43.9 (95% CI, 36-55) initial examinations of high complexity cases by general pathologists for every 500 cases. In conclusion, the AI model achieved a strong predictive performance in differentiating between cutaneous melanocytic lesions of high and low complexity. The improvement in workflow efficiency due to AI-based triaging could be substantial.
- Abstract（参考訳）: 患者数の増加とより包括的な診断の必要性により、病理学者は作業負荷の増大に直面している。
作業負荷低減とターンアラウンドタイムの高速化を目的として,全スライド画像に基づいて皮膚メラノサイト病変をトリアージする人工知能(AI)モデルを開発した。
AIモデルは、Utrechtのレトロスペクティブコホートを使用して開発され、検証された。
このデータセットは、27,167種の標本から52,202枚のスライド画像で構成され、20,707人の患者から取得された。
一般的なネビしか持たない標本は、低複雑性カテゴリー(86.6%)に割り当てられた。
対照的に、非一般的なネビ、メラノサイトーマ、メラノサイトーマを含む他のメラノサイトーシスのサブタイプを持つ標本は、高い複雑性カテゴリー(13.4%)に割り当てられた。
患者レベルでのデータセットは、独立した評価のための開発セット(80%)とテストセット(20%)に分割された。
予測性能は, 受信機動作特性曲線 (AUROC) の領域と高精度リコール曲線 (AUPRC) の領域を用いて測定した。
クリニックにおけるAIベースのトリアージの実装効果をシミュレーション実験により検討した。
AIモデルは、分配テストセットで0.966 (95% CI, 0.960-0.972)、AUPRCで0.857 (95% CI, 0.836-0.877)、AUROCで0.899 (95% CI, 0.860-0.934)、AUPRCで0.498 (95% CI, 0.360-0.639)に達した。
シミュレーション実験では、ランダムケースの割り当てをベースラインとして、AIベースのトリアージは平均43.9 (95% CI, 36-55) の高複雑性症例を500件毎の一般病理医による初期検査を妨げた。
結論として, 皮膚メラノサイト性病変の高度・低複雑性の鑑別において, AIモデルは高い予測性能を示した。
AIベースのトリアージによるワークフロー効率の改善は、大きな意味を持つ可能性がある。
関連論文リスト
- CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - Advanced Predictive Modeling for Enhanced Mortality Prediction in ICU Stroke Patients Using Clinical Data [0.0]
ストロークは成人の障害と死亡の第二の要因である。
毎年1700万人が脳卒中を患っており、約85%が虚血性脳卒中である。
我々は、死亡リスクを評価するためのディープラーニングモデルを開発し、比較のためにいくつかのベースライン機械学習モデルを実装した。
論文 参考訳（メタデータ） (2024-07-19T11:17:42Z) - 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) - Clinical Melanoma Diagnosis with Artificial Intelligence: Insights from
a Prospective Multicenter Study [1.2397589403129072]
AIはメラノーマの検出を強化するのに役立つことが証明されている。
現存する研究は、サンプルサイズが低いこと、同質なデータセットが多すぎること、希少なメラノーマ亜型の欠如によって制限されている。
メラノーマの診断精度と皮膚科医の診断精度を比較検討し, 確立されたメラノーマ検出用オープンソースアルゴリズムである「All Data is Ext」(ADAE)を評価した。
論文 参考訳（メタデータ） (2024-01-25T14:03:54Z) - 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) - 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) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - 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) - Clinical prediction system of complications among COVID-19 patients: a
development and validation retrospective multicentre study [0.3569980414613667]
2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。
最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。
このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
論文 参考訳（メタデータ） (2020-11-28T18:16:23Z) - 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) - AI outperformed every dermatologist: Improved dermoscopic melanoma
diagnosis through customizing batch logic and loss function in an optimized
Deep CNN architecture [2.572959153453185]
本研究では,メラノーマを二項分類問題として検出することを目的としたディープ畳み込みニューラルネットワークを用いた手法を提案する。
これには3つの重要な機能、すなわち、カスタマイズされたバッチロジック、カスタマイズされた損失関数、完全に接続されたレイヤが含まれる。
このモデルは157人の皮膚科医に優れ、AUCでは94.4%、感度は85.0%、特異度は95.0%であった。
論文 参考訳（メタデータ） (2020-03-05T13:19:13Z)
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。