論文の概要: Artificial Intelligence-Informed Handheld Breast Ultrasound for Screening: A Systematic Review of Diagnostic Test Accuracy

• arxiv url: http://arxiv.org/abs/2411.07322v1
• Date: Mon, 11 Nov 2024 19:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:20:36.714279
• Title: Artificial Intelligence-Informed Handheld Breast Ultrasound for Screening: A Systematic Review of Diagnostic Test Accuracy
• Title（参考訳）: スクリーニングのための人工知能インフォームハンドヘルド乳房超音波 : 診断検査精度の体系的検証
• Authors: Arianna Bunnell, Dustin Valdez, Fredrik Strand, Yannik Glaser, Peter Sadowski, John A. Shepherd,
• Abstract要約: ハンドヘルド乳房超音波(BUS)は安価な代替品であるが、かなりの訓練が必要である。 人工知能(AI)により、BUSは乳がんの検出(知覚)と分類(解釈)の両方を支援できる。 発見:185,000人以上の患者の570万のBUS画像がAIトレーニングや検証に使用された。
• 参考スコア（独自算出の注目度）: 0.3859048418931631
• License:
• Abstract: Background. Breast cancer screening programs using mammography have led to significant mortality reduction in high-income countries. However, many low- and middle-income countries lack resources for mammographic screening. Handheld breast ultrasound (BUS) is a low-cost alternative but requires substantial training. Artificial intelligence (AI) enabled BUS may aid in both the detection (perception) and classification (interpretation) of breast cancer. Materials and Methods. This review (CRD42023493053) is reported in accordance with the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis) and SWiM (Synthesis Without Meta-analysis) guidelines. PubMed and Google Scholar were searched from January 1, 2016 to December 12, 2023. A meta-analysis was not attempted. Studies are grouped according to their AI task type, application time, and AI task. Study quality is assessed using the QUality Assessment of Diagnostic Accuracy Studies-2 (QUADAS-2) tool. Results. Of 763 candidate studies, 314 total full texts were reviewed. 34 studies are included. The AI tasks of included studies are as follows: 1 frame selection, 6 detection, 11 segmentation, and 16 classification. In total, 5.7 million BUS images from over 185,000 patients were used for AI training or validation. A single study included a prospective testing set. 79% of studies were at high or unclear risk of bias. Conclusion. There has been encouraging development of AI for BUS. Despite studies demonstrating high performance across all identified tasks, the evidence supporting AI-enhanced BUS generally lacks robustness. High-quality model validation will be key to realizing the potential for AI-enhanced BUS in increasing access to screening in resource-limited environments.
• Abstract（参考訳）: 背景。 マンモグラフィーを用いた乳癌検診プログラムは、高所得国で著しい死亡率低下を引き起こしている。 しかし、多くの低所得国や中所得国ではマンモグラフィ検診の資源が不足している。 ハンドヘルド乳房超音波(BUS)は安価な代替品であるが、かなりの訓練が必要である。 人工知能(AI)により、BUSは乳がんの検出(知覚)と分類(解釈)の両方を支援できる。 材料と方法。 PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis) および SWiM (Synthesis Without Meta-Analysis) ガイドラインに従って,本レビュー (CRD42023493053) を報告した。 PubMedとGoogle Scholarは2016年1月1日から2023年12月12日まで検索された。 メタ分析は試みられなかった。 研究は、AIタスクタイプ、アプリケーション時間、AIタスクに基づいてグループ化される。 評価にはQUality Assessment of Diagnostic Accuracy Studies-2 (QUADAS-2) が用いられる。 結果。 763件の候補研究のうち、314件の全文がレビューされた。 34種が研究されている。 対象とするAIタスクは、フレーム選択1つ、検出6つ、セグメンテーション11つ、分類16つである。 合計で185,000人以上の患者の570万のBUS画像がAIトレーニングや検証に使用された。 1つの研究には、将来的なテストセットが含まれていた。 79%が偏見のリスクが高かった。 結論。 BUS向けのAIの開発が奨励されている。 すべての特定タスクで高いパフォーマンスを示す研究にもかかわらず、AIに強化されたBUSを支持する証拠は概して堅牢性に欠ける。 高品質なモデル検証は、リソース制限された環境でのスクリーニングへのアクセスの増加において、AIによって強化されたBUSの可能性を実現するための鍵となる。

関連論文リスト

• AI in radiological imaging of soft-tissue and bone tumours: a systematic review evaluating against CLAIM and FUTURE-AI guidelines [1.5332408886895255]
  軟部腫瘍と骨腫瘍 (STBT) は稀で, 診断に難渋する病変であり, 様々な臨床症状と治療のアプローチがある。 本稿では,これらの腫瘍の診断と予後のための放射線画像を用いた人工知能(AI)法の概要について概説する。
  論文  参考訳（メタデータ） (2024-08-22T15:31:48Z)
• 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)
• A survey of recent methods for addressing AI fairness and bias in biomedicine [48.46929081146017]
  人工知能システムは、人種や性別に基づくような社会的不平等を永続するか、偏見を示すことができる。 バイオメディカル自然言語処理 (NLP) やコンピュータビジョン (CV) の分野での様々な脱バイアス法に関する最近の論文を調査した。 我々は,2018年1月から2023年12月にかけて,複数のキーワードの組み合わせを用いて,PubMed,ACMデジタルライブラリ,IEEE Xploreに関する文献検索を行った。 バイオメディシンに応用可能な一般領域からの他の方法について検討し, バイアスに対処し, 公平性を向上する方法について検討した。
  論文  参考訳（メタデータ） (2024-02-13T06:38:46Z)
• De-identification of clinical free text using natural language processing: A systematic review of current approaches [48.343430343213896]
  自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。 本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
  論文  参考訳（メタデータ） (2023-11-28T13:20:41Z)
• BMAD: Benchmarks for Medical Anomaly Detection [51.22159321912891]
  異常検出(AD)は、機械学習とコンピュータビジョンの基本的な研究課題である。 医用画像では、ADはまれな疾患や病態を示す可能性のある異常の検出と診断に特に重要である。 医用画像の異常検出方法を評価するための総合評価ベンチマークを導入する。
  論文  参考訳（メタデータ） (2023-06-20T20:23:46Z)
• Artificial intelligence in digital pathology: a diagnostic test accuracy systematic review and meta-analysis [0.3957768262206625]
  この体系的なレビューとメタアナリシスは、あらゆる種類の人工知能を用いた診断精度の研究を含む。 包含物として100の研究が同定され、152,000枚以上のスライド画像 (WSI) に相当し、多くの病型を表わした。 これらの研究では、平均感度は96.3%(CI 94.1-97.7)、平均特異度は93.3%(CI 90.5-95.4)であった。 全体として、AIはWSIに適用した場合に適切な精度を提供するが、そのパフォーマンスをより厳格に評価する必要がある。
  論文  参考訳（メタデータ） (2023-06-13T00:45:54Z)
• 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)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Robust Deep AUC Maximization: A New Surrogate Loss and Empirical Studies on Medical Image Classification [63.44396343014749]
  AUCスコアに対する新たなマージンベースサロゲート損失関数を提案する。 一般的に使用されるものよりも頑丈である。 大規模な最適化の観点からも同じ利点を享受しながら、正方損失。 私たちの知る限りでは、DAMが大規模医療画像データセットで成功するのはこれが初めてです。
  論文  参考訳（メタデータ） (2020-12-06T03:41:51Z)
• Detection of masses and architectural distortions in digital breast tomosynthesis: a publicly available dataset of 5,060 patients and a deep learning model [4.3359550072619255]
  乳房トモシンセシス画像の大規模データセットをキュレートし,公開している。 5,060人の患者から5,610人を対象にした22,032冊の復元版がある。 我々は単相深層学習検出モデルを開発し、将来の研究のベースラインとしてデータセットを用いてテストした。
  論文  参考訳（メタデータ） (2020-11-13T18:33:31Z)

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。