論文の概要: Artificial Intelligence-Driven Prognostic Classification of COVID-19 Using Chest X-rays: A Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2503.13277v1
- Date: Mon, 17 Mar 2025 15:27:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:33:14.639481
- Title: Artificial Intelligence-Driven Prognostic Classification of COVID-19 Using Chest X-rays: A Deep Learning Approach
- Title（参考訳）: 胸部X線を用いた人工知能による新型コロナウイルスの予後診断 : 深層学習アプローチ
- Authors: Alfred Simbun, Suresh Kumar,
- Abstract要約: 本研究では,Chest X線画像を用いて,新型コロナウイルスの重症度(中・中・重症度)を分類するための高精度深層学習モデルを提案する。
平均精度は97%,特異性は99%,感度は87%,F1スコアは93.11%であった。
これらの結果は、実際の臨床応用におけるモデルの可能性を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Background: The COVID-19 pandemic has overwhelmed healthcare systems, emphasizing the need for AI-driven tools to assist in rapid and accurate patient prognosis. Chest X-ray imaging is a widely available diagnostic tool, but existing methods for prognosis classification lack scalability and efficiency. Objective: This study presents a high-accuracy deep learning model for classifying COVID-19 severity (Mild, Moderate, and Severe) using Chest X-ray images, developed on Microsoft Azure Custom Vision. Methods: Using a dataset of 1,103 confirmed COVID-19 X-ray images from AIforCOVID, we trained and validated a deep learning model leveraging Convolutional Neural Networks (CNNs). The model was evaluated on an unseen dataset to measure accuracy, precision, and recall. Results: Our model achieved an average accuracy of 97%, with specificity of 99%, sensitivity of 87%, and an F1-score of 93.11%. When classifying COVID-19 severity, the model achieved accuracies of 89.03% (Mild), 95.77% (Moderate), and 81.16% (Severe). These results demonstrate the model's potential for real-world clinical applications, aiding in faster decision-making and improved resource allocation. Conclusion: AI-driven prognosis classification using deep learning can significantly enhance COVID-19 patient management, enabling early intervention and efficient triaging. Our study provides a scalable, high-accuracy AI framework for integrating deep learning into routine clinical workflows. Future work should focus on expanding datasets, external validation, and regulatory compliance to facilitate clinical adoption.
- Abstract（参考訳）: 背景:新型コロナウイルス(COVID-19)パンデミックは医療システムを圧倒し、迅速かつ正確な患者の予後を助けるAI駆動ツールの必要性を強調している。
胸部X線画像は広く用いられる診断ツールであるが、既存の予後分類法ではスケーラビリティと効率性が欠如している。
目的:本研究では,Microsoft Azure Custom Vision上で開発されたChest X線画像を用いて,新型コロナウイルスの重症度(中・中・重症度)を分類するための高精度なディープラーニングモデルを提案する。
方法: AIforCOVIDからの1,103の確認された新型コロナウイルスX線画像のデータセットを用いて、畳み込みニューラルネットワーク(CNN)を利用したディープラーニングモデルを訓練し、検証した。
モデルは、精度、精度、リコールを測定するために、目に見えないデータセットで評価された。
結果: 平均精度97%, 特異性99%, 感度87%, F1スコア93.11%であった。
新型コロナウイルスの重症度を分類すると、89.03%(マイルド)、95.77%(モデレート)、81.16%(セヴァーレ)の精度を達成した。
これらの結果は,意思決定の迅速化と資源配分の改善に寄与し,実世界の臨床応用の可能性を示すものである。
結論:ディープラーニングを用いたAIによる予後分類は、COVID-19患者の管理を著しく向上させ、早期介入と効率的なトリアージを可能にします。
我々の研究は、ディープラーニングを日常的な臨床ワークフローに統合するためのスケーラブルで高精度なAIフレームワークを提供する。
今後は、臨床導入を促進するために、データセットの拡大、外部検証、規制コンプライアンスに重点を置く必要がある。
関連論文リスト
- InfLocNet: Enhanced Lung Infection Localization and Disease Detection from Chest X-Ray Images Using Lightweight Deep Learning [0.5242869847419834]
本稿では,より軽量な深層学習に基づくセグメンテーション分類ネットワークを提案する。
胸部X線画像を用いた肺感染症の検出と局在性の向上を目的としている。
IoUは93.59%, Dice similarity Coefficient (DSC)は97.61%であった。
論文 参考訳（メタデータ） (2024-08-12T19:19:23Z) - Prognosis of COVID-19 using Artificial Intelligence: A Systematic Review and Meta-analysis [0.23221087157793407]
この研究は、新型コロナウイルスの予後のためのAIの使用に関する論文を同定し、評価し、合成する。
例えば、Siamenseモデル、サポートベクターマシン、ランダムフォレスト、eXtreme Gradient Boosting、畳み込みニューラルネットワークなどである。
その結果, 死亡率71%, 88%, 67%の感度, 重症度評価, 換気の必要性が確認された。
論文 参考訳（メタデータ） (2024-08-01T00:33:32Z) - Symptom-based Machine Learning Models for the Early Detection of
COVID-19: A Narrative Review [0.0]
機械学習モデルは、患者の報告した症状、臨床データ、医療画像などを取り入れて、大規模なデータセットを分析することができる。
本稿では、その性能と限界を含む、COVID-19を予測するための症状のみの機械学習モデルの概要について概説する。
また、画像ベースモデルと比較して、症状ベースのモデルの性能についても検討する。
論文 参考訳（メタデータ） (2023-12-08T01:41:42Z) - 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) - The pitfalls of using open data to develop deep learning solutions for
COVID-19 detection in chest X-rays [64.02097860085202]
深層学習モデルは、胸部X線から新型コロナウイルスを識別するために開発された。
オープンソースデータのトレーニングやテストでは,結果は異例です。
データ分析とモデル評価は、人気のあるオープンソースデータセットであるCOVIDxが実際の臨床問題を代表していないことを示している。
論文 参考訳（メタデータ） (2021-09-14T10:59:11Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Accelerating COVID-19 Differential Diagnosis with Explainable Ultrasound
Image Analysis [7.471424290647929]
われわれは106本のビデオからなる新型コロナウイルスの肺超音波(US)データセットを公開している。
我々は、フレームベースの畳み込みニューラルネットワークを提案し、COVID-19 USビデオの感度0.98+0.04、特異度0.91+-08で正しく分類する。
論文 参考訳（メタデータ） (2020-09-13T23:52:03Z) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z) - Towards an Effective and Efficient Deep Learning Model for COVID-19
Patterns Detection in X-ray Images [2.21653002719733]
本研究の主な目的は、胸部X線検査における新型コロナウイルススクリーニングの問題に対して、正確かつ効率的な方法を提案することである。
13,569枚のX線画像のデータセットを、健康な非新型コロナウイルス患者と新型コロナウイルス患者に分けて、提案したアプローチを訓練する。
結果: 提案手法により, 全体の精度93.9%, COVID-19, 感度96.8%, 正の予測100%の高品質モデルが得られた。
論文 参考訳（メタデータ） (2020-04-12T23:26:56Z)
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。