論文の概要: Cross-organ Deployment of EOS Detection AI without Retraining: Feasibility and Limitation

• arxiv url: http://arxiv.org/abs/2411.15942v1
• Date: Sun, 24 Nov 2024 18:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:02.231692
• Title: Cross-organ Deployment of EOS Detection AI without Retraining: Feasibility and Limitation
• Title（参考訳）: トレーニング不要なEOS検出AIの組織間デプロイ:可能性と限界
• Authors: Yifei Wu, Juming Xiong, Tianyuan Yao, Ruining Deng, Junlin Guo, Jialin Yue, Naweed Chowdhury, Yuankai Huo,
• Abstract要約: 慢性鼻副鼻腔炎(CRS)は副鼻腔の炎症が持続していることが特徴である。 粘膜免疫応答において重要な要素であるEosは、CRSの重症度と関係している。 好酸球性CRSの診断は、典型的にはHPF当たり10-20 eosの閾値を用いる。
• 参考スコア（独自算出の注目度）: 6.200516824977507
• License:
• Abstract: Chronic rhinosinusitis (CRS) is characterized by persistent inflammation in the paranasal sinuses, leading to typical symptoms of nasal congestion, facial pressure, olfactory dysfunction, and discolored nasal drainage, which can significantly impact quality-of-life. Eosinophils (Eos), a crucial component in the mucosal immune response, have been linked to disease severity in CRS. The diagnosis of eosinophilic CRS typically uses a threshold of 10-20 eos per high-power field (HPF). However, manually counting Eos in histological samples is laborious and time-intensive, making the use of AI-driven methods for automated evaluations highly desirable. Interestingly, eosinophils are predominantly located in the gastrointestinal (GI) tract, which has prompted the release of numerous deep learning models trained on GI data. This study leverages a CircleSnake model initially trained on upper-GI data to segment Eos cells in whole slide images (WSIs) of nasal tissues. It aims to determine the extent to which Eos segmentation models developed for the GI tract can be adapted to nasal applications without retraining. The experimental results show promising accuracy in some WSIs, although, unsurprisingly, the performance varies across cases. This paper details these performance outcomes, delves into the reasons for such variations, and aims to provide insights that could guide future development of deep learning models for eosinophilic CRS.
• Abstract（参考訳）: 慢性鼻副鼻腔炎 (CRS) は副鼻腔の炎症が持続し, 鼻腔の混雑, 顔面圧, 嗅覚障害, 口臭の症状を呈し, 生活の質に大きな影響を及ぼす。 粘膜免疫応答の重要な構成要素である好酸球 (Eos) は、CRSの重症度と関係している。 好酸球性CRSの診断は典型的にはHPFあたりの10-20 eosの閾値を使用する。 しかし、手動で組織サンプルにEosを数えるのは手間がかかり、時間を要するため、自動評価にAI駆動の手法を用いることが極めて望ましい。 興味深いことに、好酸球は主に消化管(GI)に存在し、GIデータに基づいて訓練された多くのディープラーニングモデルがリリースされている。 本研究では,上部GIデータに基づいて訓練したCircleSnakeモデルを用いて鼻粘膜のスライド画像全体(WSI)にEos細胞を分割する。 GIトラクタのために開発されたEosセグメンテーションモデルが、再トレーニングなしに鼻のアプリケーションにどの程度適応できるかを判断することを目的としている。 実験結果は、いくつかのWSIにおいて有望な精度を示しているが、当然ながら、性能はケースによって異なる。 本稿では,これらのパフォーマンス成果を詳述し,その要因を解明し,好酸球性CRSのための深層学習モデルの今後の発展を導くための洞察を提供することを目的とする。

関連論文リスト

• REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
  本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。 グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。 本モデルは,発作検出と分類作業において高い精度を示す。
  論文  参考訳（メタデータ） (2024-06-03T16:30:19Z)
• A Nasal Cytology Dataset for Object Detection and Deep Learning [0.0]
  NCD (Nasal Cytology dataset) というサイ細胞野画像の最初のデータセットを提示する。 鼻粘膜に分布する細胞型の実際の分布は複製され、臨床患者のスライドから画像を集め、それぞれの細胞に手動で注釈を付ける。 この研究は、鼻粘膜細胞の自動検出と分類を支援する新しい機械学習ベースのアプローチを提案することで、オープンな課題のいくつかに寄与する。
  論文  参考訳（メタデータ） (2024-04-21T19:02:38Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Eosinophils Instance Object Segmentation on Whole Slide Imaging Using Multi-label Circle Representation [6.263438295365185]
  好酸球性食道炎 (EoE) は食道炎を特徴とする慢性再発性疾患である。 EoEの診断は一般的に高出力場当たりの好酸球の閾値(15～20)で行われる。
  論文  参考訳（メタデータ） (2023-08-17T13:27:01Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• AIOSA: An approach to the automatic identification of obstructive sleep apnea events based on deep learning [1.5381930379183162]
  OSASは、死亡率の上昇、神経障害の悪化、リハビリテーション後の機能低下、高血圧の発症率の上昇と関連している。 OSAS診断のための金標準検査はPSG (Polysomnography) である。 生波形データの時間分解能を低減できる畳み込み型ディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-10T11:21:47Z)
• Machine learning approach for biopsy-based identification of eosinophilic esophagitis reveals importance of global features [0.0]
  好酸球性食道炎(英: eosinophilic esophagitis, eoe)は食道粘膜に好酸球が蓄積するアレルギー疾患である。 このプロセスの自動化における大きな課題の1つは、生検の規模に対して小さい特徴を検出することである。 我々は、食道生検を85%の精度で分類できるディープ畳み込みニューラルネットワーク(DCNN)に基づくプラットフォームを開発しました。
  論文  参考訳（メタデータ） (2021-01-13T10:38:46Z)
• A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
  脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。 これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
  論文  参考訳（メタデータ） (2020-09-21T02:42:30Z)
• Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
  最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。 多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。 本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
  論文  参考訳（メタデータ） (2020-05-06T15:19:15Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)
• Spitzoid Lesions Diagnosis based on GA feature selection and Random Forest [0.0]
  本研究の目的は,スピッツイド病変の診断を支援する人工知能モデルを開発することである。 本研究で提案したシステムを評価するために,私的スピッツイド病変データセットが用いられている。 SMOTE-GA-RFモデルとGA-16の特徴は精度0.97, F-measure 0.98, AUC 0.98, G-mean 0.97で優れた性能を示した。
  論文  参考訳（メタデータ） (2020-03-10T14:03:28Z)

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。