論文の概要: AI-Driven MRI Spine Pathology Detection: A Comprehensive Deep Learning Approach for Automated Diagnosis in Diverse Clinical Settings

• arxiv url: http://arxiv.org/abs/2503.20316v1
• Date: Wed, 26 Mar 2025 08:33:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:19:59.598452
• Title: AI-Driven MRI Spine Pathology Detection: A Comprehensive Deep Learning Approach for Automated Diagnosis in Diverse Clinical Settings
• Title（参考訳）: AI-Driven MRI Spine Pathology Detection: 様々な臨床領域における自動診断のための包括的深層学習アプローチ
• Authors: Bargava Subramanian, Naveen Kumarasami, Praveen Shastry, Raghotham Sripadraj, Kalyan Sivasailam, Anandakumar D, Abinaya Ramachandran, Sudhir MP, Gunakutti G, Kishore Prasath Venkatesh,
• Abstract要約: このAIシステムは、インドの13の大手ヘルスケア企業に展開された。 データセットは年齢層、性別、スキャナーメーカー間でバランスを取り、堅牢性と適応性を保証する。 正常と異常の分類は98.0パーセントの精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Study Design This study presents the development of an autonomous AI system for MRI spine pathology detection, trained on a dataset of 2 million MRI spine scans sourced from diverse healthcare facilities across India. The AI system integrates advanced architectures, including Vision Transformers, U-Net with cross-attention, MedSAM, and Cascade R-CNN, enabling comprehensive classification, segmentation, and detection of 43 distinct spinal pathologies. The dataset is balanced across age groups, genders, and scanner manufacturers to ensure robustness and adaptability. Subgroup analyses were conducted to validate the model's performance across different patient demographics, imaging conditions, and equipment types. Performance The AI system achieved up to 97.9 percent multi-pathology detection, demonstrating consistent performance across age, gender, and manufacturer subgroups. The normal vs. abnormal classification achieved 98.0 percent accuracy, and the system was deployed across 13 major healthcare enterprises in India, encompassing diagnostic centers, large hospitals, and government facilities. During deployment, it processed approximately 100,000 plus MRI spine scans, leading to reduced reporting times and increased diagnostic efficiency by automating the identification of common spinal conditions. Conclusion The AI system's high precision and recall validate its capability as a reliable tool for autonomous normal/abnormal classification, pathology segmentation, and detection. Its scalability and adaptability address critical diagnostic gaps, optimize radiology workflows, and improve patient care across varied healthcare environments in India.
• Abstract（参考訳）: 研究デザイン この研究は、インドにおける多様な医療施設から得られた200万個のMRI脊椎スキャンのデータセットに基づいて訓練されたMRI脊椎病理診断のための自律型AIシステムの開発について述べる。 AIシステムは、ビジョントランスフォーマー、U-Netとクロスアテンション、MedSAM、Cascade R-CNNを含む高度なアーキテクチャを統合し、包括的な分類、セグメンテーション、43の異なる脊髄病理の検出を可能にする。 データセットは年齢層、性別、スキャナーメーカー間でバランスを取り、堅牢性と適応性を保証する。 異なる患者集団, 画像条件, 機器タイプにまたがって, モデルの性能を評価するために, サブグループ分析を行った。 パフォーマンス AIシステムは、最大97.9%のマルチパス検出を達成し、年齢、性別、メーカーサブグループ間で一貫したパフォーマンスを示した。 正常と異常の分類は98.0パーセントの精度を達成し、診断センター、大病院、政府施設を含む13の主要医療機関に展開された。 配備中、約10万個のMRI脊椎スキャンを処理し、報告時間を短縮し、一般的な脊椎の状態を自動認識することで診断効率を向上した。 結論 AIシステムの高精度とリコールは、自律的な正常/異常分類、病理分類、検出のための信頼性の高いツールとしての能力を検証する。 そのスケーラビリティと適応性は、重要な診断ギャップに対処し、放射線学ワークフローを最適化し、インドのさまざまな医療環境における患者のケアを改善する。

関連論文リスト

• Machine-agnostic Automated Lumbar MRI Segmentation using a Cascaded Model Based on Generative Neurons [0.22198209072577352]
  MRI画像から腰椎椎間板と椎間板を分離する新しい機械診断手法を提案する。 12のスキャナーと34の被験者の画像からなるユニークなデータセットを、戦略的前処理とデータ拡張技術によって強化した。 本モデルとDenseNet121エンコーダの併用により, 腰椎椎間板断面積が83.66%, 感度が91.44%, Dice similarity Coefficient (DSC) が91.03%, 腰椎椎間板断面積が良好であった。
  論文  参考訳（メタデータ） (2024-11-23T21:34:29Z)
• 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)
• COVID-19 Computer-aided Diagnosis through AI-assisted CT Imaging Analysis: Deploying a Medical AI System [16.1664846590467]
  我々は,CT画像の自動解析を目的とした最先端AIシステムの統合と信頼性,迅速な展開について紹介する。 提案システムは、医師の発見時間を短縮し、新型コロナウイルス検出の全体的な効率を高めることが期待されている。
  論文  参考訳（メタデータ） (2024-03-10T15:54:45Z)
• Large-scale Long-tailed Disease Diagnosis on Radiology Images [51.453990034460304]
  RadDiagは、様々なモダリティと解剖学にわたる2Dおよび3D入力をサポートする基礎モデルである。 私たちのデータセットであるRP3D-DiagDSは、5,568の障害をカバーする195,010のスキャンで40,936の症例を含む。
  論文  参考訳（メタデータ） (2023-12-26T18:20:48Z)
• AI Framework for Early Diagnosis of Coronary Artery Disease: An Integration of Borderline SMOTE, Autoencoders and Convolutional Neural Networks Approach [0.44998333629984877]
  我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。 実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
  論文  参考訳（メタデータ） (2023-08-29T14:33:38Z)
• Detecting Histologic & Clinical Glioblastoma Patterns of Prognostic Relevance [6.281092892485014]
  グリオ芽腫は中枢神経系で最も一般的で攻撃的な悪性成人腫瘍である。 18年前に現在の標準治療を採用して以降,実質的な予後改善は認められていない。 ここでは,H&E染色WSIとOSに関する臨床データから,予後関連特性の同定に焦点をあてる。
  論文  参考訳（メタデータ） (2023-02-01T18:56:09Z)
• Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data [1.2891210250935143]
  我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。 われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。 このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
  論文  参考訳（メタデータ） (2022-05-05T18:39:09Z)
• Multi-Scale Hybrid Vision Transformer for Learning Gastric Histology: AI-Based Decision Support System for Gastric Cancer Treatment [50.89811515036067]
  胃内視鏡検査は、早期に適切な胃癌(GC)治療を判定し、GC関連死亡率を低下させる有効な方法である。 本稿では,一般のGC治療指導と直接一致する5つのGC病理のサブ分類を可能にする実用的なAIシステムを提案する。
  論文  参考訳（メタデータ） (2022-02-17T08:33:52Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。