論文の概要: Classification of Keratitis from Eye Corneal Photographs using Deep Learning

• arxiv url: http://arxiv.org/abs/2411.08935v1
• Date: Wed, 13 Nov 2024 10:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:24:58.807016
• Title: Classification of Keratitis from Eye Corneal Photographs using Deep Learning
• Title（参考訳）: 深層学習による眼角写真からの角膜炎の分類
• Authors: Maria Miguel Beirão, João Matos, Tiago Gonçalves, Camila Kase, Luis Filipe Nakayama, Denise de Freitas, Jaime S. Cardoso,
• Abstract要約: 角膜炎は、低所得国と中所得国(LMIC)の視覚障害の10%を占める炎症性角膜疾患である 本研究では,感染源を診断するための異なる深層学習手法について検討し,比較した。 我々は,Multitask V2において,0.7413-0.7740(バクテリア),0.8395-0.8725(ファンギ),0.9448-0.9616(アメーバ)のレシーバ動作特性曲線 (AUROC) の信頼区間で最高の結果を得た。
• 参考スコア（独自算出の注目度）: 2.5633724723473352
• License:
• Abstract: Keratitis is an inflammatory corneal condition responsible for 10% of visual impairment in low- and middle-income countries (LMICs), with bacteria, fungi, or amoeba as the most common infection etiologies. While an accurate and timely diagnosis is crucial for the selected treatment and the patients' sight outcomes, due to the high cost and limited availability of laboratory diagnostics in LMICs, diagnosis is often made by clinical observation alone, despite its lower accuracy. In this study, we investigate and compare different deep learning approaches to diagnose the source of infection: 1) three separate binary models for infection type predictions; 2) a multitask model with a shared backbone and three parallel classification layers (Multitask V1); and, 3) a multitask model with a shared backbone and a multi-head classification layer (Multitask V2). We used a private Brazilian cornea dataset to conduct the empirical evaluation. We achieved the best results with Multitask V2, with an area under the receiver operating characteristic curve (AUROC) confidence intervals of 0.7413-0.7740 (bacteria), 0.8395-0.8725 (fungi), and 0.9448-0.9616 (amoeba). A statistical analysis of the impact of patient features on models' performance revealed that sex significantly affects amoeba infection prediction, and age seems to affect fungi and bacteria predictions.
• Abstract（参考訳）: 角膜炎は、低所得国や中所得国(LMIC)の視覚障害の10%を占める炎症性角膜疾患であり、細菌、真菌、アメーバが最も一般的な感染源である。 正確な診断は選択された治療と患者の視力に欠かせないが, LMICでは高コストで臨床診断が限られたため, 精度は低いものの, 臨床観察のみで診断を行うことが多い。 本研究では,感染源を診断するための異なる深層学習アプローチについて検討し,比較する。 1) 感染型予測のための3つの別個のバイナリモデル 2)共有バックボーンと3つの並列分類層を持つマルチタスクモデル(Multitask V1) 3)共有バックボーンとマルチヘッド分類層を有するマルチタスクモデル(Multitask V2)。 ブラジルの人工角膜を用いた経験的評価を行った。 我々は,Multitask V2において,0.7413-0.7740(バクテリア),0.8395-0.8725(ファンギ),0.9448-0.9616(アメーバ)のレシーバ動作特性曲線(AUROC)の信頼区間で最高の結果を得た。 患者の特徴がモデルの性能に与える影響を統計的に分析したところ、セックスはアメーバ感染の予測に大きく影響を与え、年齢は菌類や細菌の予測に大きく影響していることが明らかとなった。

関連論文リスト

• A Hybrid Feature Fusion Deep Learning Framework for Leukemia Cancer Detection in Microscopic Blood Sample Using Gated Recurrent Unit and Uncertainty Quantification [1.024113475677323]
  白血病は、顕微鏡で血液や骨髄の腫れを分析して診断され、さらなる細胞化学的検査によって確認される。 深層学習は、白血病細胞の検出を補助する、顕微鏡スミア画像を分類する高度な方法を提供している。 本研究では,急性リンパ性白血病(ALL)の分類のためのハイブリッドディープラーニングモデルを構築した。 提案手法は、ALL-IDB1データセットで100%、ALL-IDB2データセットで98.07%、組み合わせたデータセットで98.64%という顕著な検出精度を達成した。
  論文  参考訳（メタデータ） (2024-10-18T15:23:34Z)
• Adaptive Multiscale Retinal Diagnosis: A Hybrid Trio-Model Approach for Comprehensive Fundus Multi-Disease Detection Leveraging Transfer Learning and Siamese Networks [0.0]
  WHOは、世界中の22億人以上がメディアヘイズ、緑内障、ドルーゼンなどの視覚障害に苦しんでいると宣言した。 少なくとも10億件の症例は予防または治療が成功していた可能性があるが、貧困、専門医の欠如、眼科医による不正確な眼底診断、あるいはまれな疾患の存在のために未治療のままである。 これを解決するために,12種類の共通眼疾患と稀眼疾患を正確に診断するハイブリッドトリオネットワークモデルアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-05-28T03:06:10Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
  本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。 この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-02-16T05:16:20Z)
• What limits performance of weakly supervised deep learning for chest CT classification? [0.44241702149260353]
  ノイズの多いデータによる弱教師付き学習は、高品質な疾患ラベルの出現により、医用画像のコミュニティで注目されている。 本稿では, ノイズデータに対するモデル耐性を検証し, 弱い監視効果を検証した。 その結果, 疾患分類性能の低下を経験する前に, ラベルエラーを最大10%加えることができた。
  論文  参考訳（メタデータ） (2024-02-06T21:38:29Z)
• Interpretable histopathology-based prediction of disease relevant features in Inflammatory Bowel Disease biopsies using weakly-supervised deep learning [0.8521205677945196]
  Crohn's Disease(CD)とUlcerative Colitis(UC)は2種類の炎症性腸疾患である。 深層学習モデルを構築し,CDおよびUCの組織学的特徴を内視鏡的ラベルのみを用いて同定した。
  論文  参考訳（メタデータ） (2023-03-20T15:59:29Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• 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)
• Uncertainty-driven ensembles of deep architectures for multiclass classification. Application to COVID-19 diagnosis in chest X-ray images [8.103053617559748]
  最近の新型コロナウイルスのパンデミックは、肺炎の診断を自動化するシステムの開発システムの必要性を示している。 CNNは、医療画像の自動分類に優れた選択肢であることが証明されている。 ベイズ深層学習に基づく多段階アンサンブル分類システムを提案する。
  論文  参考訳（メタデータ） (2020-11-27T14:06:25Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)

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。