論文の概要: A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation

• arxiv url: http://arxiv.org/abs/2411.09874v1
• Date: Fri, 15 Nov 2024 01:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-18 15:37:36.544003
• Title: A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation
• Title（参考訳）: 脳波背景解析とレポート生成のためのハイブリッド人工知能システム
• Authors: Chin-Sung Tung, Sheng-Fu Liang, Shu-Feng Chang, Chung-Ping Young,
• Abstract要約: 本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。 このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。 このAIシステムは、全般的なバックグラウンドの減速を検知し、焦点異常の検出を改善することで神経学者を著しく上回った。
• 参考スコア（独自算出の注目度）: 0.1874930567916036
• License:
• Abstract: Electroencephalography (EEG) plays a crucial role in the diagnosis of various neurological disorders. However, small hospitals and clinics often lack advanced EEG signal analysis systems and are prone to misinterpretation in manual EEG reading. This study proposes an innovative hybrid artificial intelligence (AI) system for automatic interpretation of EEG background activity and report generation. The system combines deep learning models for posterior dominant rhythm (PDR) prediction, unsupervised artifact removal, and expert-designed algorithms for abnormality detection. For PDR prediction, 1530 labeled EEGs were used, and the best ensemble model achieved a mean absolute error (MAE) of 0.237, a root mean square error (RMSE) of 0.359, an accuracy of 91.8% within a 0.6Hz error, and an accuracy of 99% within a 1.2Hz error. The AI system significantly outperformed neurologists in detecting generalized background slowing (p = 0.02; F1: AI 0.93, neurologists 0.82) and demonstrated improved focal abnormality detection, although not statistically significant (p = 0.79; F1: AI 0.71, neurologists 0.55). Validation on both an internal dataset and the Temple University Abnormal EEG Corpus showed consistent performance (F1: 0.884 and 0.835, respectively; p = 0.66), demonstrating generalizability. The use of large language models (LLMs) for report generation demonstrated 100% accuracy, verified by three other independent LLMs. This hybrid AI system provides an easily scalable and accurate solution for EEG interpretation in resource-limited settings, assisting neurologists in improving diagnostic accuracy and reducing misdiagnosis rates.
• Abstract（参考訳）: 脳波検査(EEG)は、様々な神経疾患の診断において重要な役割を担っている。 しかし、小さな病院や診療所は脳波信号解析システムに欠けることが多く、手動で脳波を読めない傾向にある。 本研究では,脳波の背景活動とレポート生成を自動的に解釈する,革新的なハイブリッド人工知能(AI)システムを提案する。 このシステムは、後続支配リズム(PDR)予測のためのディープラーニングモデル、教師なしアーティファクト除去、および異常検出のためのエキスパート設計アルゴリズムを組み合わせる。 PDR予測には1530のラベル付きEEGを使用し、最高のアンサンブルモデルでは平均絶対誤差(MAE)が0.237、根平均二乗誤差(RMSE)が0.359、精度91.8%が0.6Hz、精度99%が1.2Hzであった。 AIシステムは、一般化背景の減速(p = 0.02; F1: AI 0.93, 神経科医 0.82)の検出において神経学者を著しく上回り、統計的には有意ではないが、局所異常検出の改善(p = 0.79; F1: AI 0.71, 神経科医 0.55)を示した。 内部データセットとテンプル大学異常脳波コーパスの検証では、連続的な性能(F1: 0.884, 0.835, p = 0.66)を示し、一般化可能性を示した。 レポート生成に大規模言語モデル(LLM)を用いることで、他の3つの独立したLCMによって100%の精度が証明された。 このハイブリッドAIシステムは、リソース制限された設定でEEGを解釈するための容易で正確なソリューションを提供する。

関連論文リスト

• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• Entropy-based machine learning model for diagnosis and monitoring of Parkinson's Disease in smart IoT environment [0.0]
  Fuzzy Entropy は rs-EEG を用いたPD の診断とモニタリングにおいて最善を尽くした。 機能が少ないため,最大分類精度(ARKF)は99.9%であった。 低いパフォーマンスのスマートMLセンサはIoT環境で使用することができ、PDに対する人間のレジリエンスを高めることができる。
  論文  参考訳（メタデータ） (2023-08-28T08:20:57Z)
• Novel Epileptic Seizure Detection Techniques and their Empirical Analysis [2.3301643766310374]
  3次元化アルゴリズム、主成分分析(PCA)、独立成分分析(ICA)、線形判別分析(LDA)を用いる。 提案されたフレームワークはBonnデータセットでテストされる。 シミュレーション結果は、LDAとNBの組み合わせに対して100%の精度を提供する。
  論文  参考訳（メタデータ） (2023-02-17T20:58:17Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Task-oriented Self-supervised Learning for Anomaly Detection in Electroencephalography [51.45515911920534]
  タスク指向型自己教師型学習手法を提案する。 大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。 効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
  論文  参考訳（メタデータ） (2022-07-04T13:15:08Z)
• 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)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Simultaneous Skull Conductivity and Focal Source Imaging from EEG Recordings with the help of Bayesian Uncertainty Modelling [77.34726150561087]
  本研究では,未知の頭蓋骨伝導率によるソース画像誤差を補正するベイズ近似誤差法に基づく統計的手法を提案する。 その結果, 震源位置推定精度と頭蓋骨伝導率の推定精度が向上していることが示唆された。
  論文  参考訳（メタデータ） (2020-01-31T21:33:56Z)

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。