論文の概要: Eyes Tell the Truth: GazeVal Highlights Shortcomings of Generative AI in Medical Imaging
- arxiv url: http://arxiv.org/abs/2503.20967v1
- Date: Wed, 26 Mar 2025 20:11:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:52:54.187468
- Title: Eyes Tell the Truth: GazeVal Highlights Shortcomings of Generative AI in Medical Imaging
- Title（参考訳）: GazeVal、医療画像における生成AIの欠点をハイライト
- Authors: David Wong, Bin Wang, Gorkem Durak, Marouane Tliba, Akshay Chaudhari, Aladine Chetouani, Ahmet Enis Cetin, Cagdas Topel, Nicolo Gennaro, Camila Lopes Vendrami, Tugce Agirlar Trabzonlu, Amir Ali Rahsepar, Laetitia Perronne, Matthew Antalek, Onural Ozturk, Gokcan Okur, Andrew C. Gordon, Ayis Pyrros, Frank H. Miller, Amir Borhani, Hatice Savas, Eric Hart, Drew Torigian, Jayaram K. Udupa, Elizabeth Krupinski, Ulas Bagci,
- Abstract要約: 本稿では,専門的な視線追跡データと直接放射線学的評価を併用して,合成医用画像の品質評価を行うフレームワークであるGazeValを紹介する。
16人の放射線学者による実験により、生成された画像の96.6%が偽物であることが判明した。
- 参考スコア（独自算出の注目度）: 6.9112781921075195
- License:
- Abstract: The demand for high-quality synthetic data for model training and augmentation has never been greater in medical imaging. However, current evaluations predominantly rely on computational metrics that fail to align with human expert recognition. This leads to synthetic images that may appear realistic numerically but lack clinical authenticity, posing significant challenges in ensuring the reliability and effectiveness of AI-driven medical tools. To address this gap, we introduce GazeVal, a practical framework that synergizes expert eye-tracking data with direct radiological evaluations to assess the quality of synthetic medical images. GazeVal leverages gaze patterns of radiologists as they provide a deeper understanding of how experts perceive and interact with synthetic data in different tasks (i.e., diagnostic or Turing tests). Experiments with sixteen radiologists revealed that 96.6% of the generated images (by the most recent state-of-the-art AI algorithm) were identified as fake, demonstrating the limitations of generative AI in producing clinically accurate images.
- Abstract（参考訳）: モデルトレーニングと拡張のための高品質な合成データの需要は、医用画像において決して大きくなっていない。
しかし、現在の評価は主に人間の専門家の認識と一致しない計算量に依存している。
これは、現実的な数値的に見えるが臨床の信頼性に欠ける合成画像につながり、AI駆動型医療ツールの信頼性と有効性を確保する上で重要な課題となる。
このギャップに対処するために、我々は、専門家の視線追跡データを直接放射線学的評価と相乗化して、合成医用画像の品質を評価するための実践的なフレームワークであるGazeValを紹介した。
GazeValは放射線学者の視線パターンを活用し、専門家が異なるタスク(診断やチューリングテストなど)で合成データをどのように知覚し、相互作用するかをより深く理解する。
16人の放射線学者による実験により、生成された画像の96.6%(最新の最先端のAIアルゴリズムによって)が偽物として特定され、臨床に正確な画像を生成するための生成AIの限界が示された。
関連論文リスト
- Detecting Discrepancies Between AI-Generated and Natural Images Using Uncertainty [91.64626435585643]
本稿では,誤用と関連するリスクを軽減するために,予測不確実性を利用してAI生成画像を検出する新しい手法を提案する。
この動機は、自然画像とAI生成画像の分布差に関する基本的な仮定から生じる。
本稿では,AI生成画像の検出スコアとして,大規模事前学習モデルを用いて不確実性を計算することを提案する。
論文 参考訳（メタデータ） (2024-12-08T11:32:25Z) - Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。
UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。
疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文 参考訳（メタデータ） (2024-11-25T13:40:11Z) - Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
人工知能(AI)に基づく合成データ生成は、臨床医学の届け方を変えることができる。
本研究は,無線カプセル内視鏡(WCE)画像を用いた炎症性腸疾患(IBD)の診断における概念実証による医療用SDGの臨床評価に焦点を当てた。
その結果、TIDE-IIは、最先端の生成モデルと比較して品質が向上し、臨床的に可塑性で、非常に現実的なWCE画像を生成することがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - MediSyn: A Generalist Text-Guided Latent Diffusion Model For Diverse Medical Image Synthesis [4.541407789437896]
MediSynは6つの専門医と10種類の画像から合成画像を生成することができるテキスト誘導潜在拡散モデルである。
合成画像と実画像との直接比較により,本モデルが新規画像の合成を行い,患者のプライバシを重要視する可能性が確認された。
本研究は,一般画像生成モデルが医学におけるアルゴリズム研究と開発を加速する大きな可能性を浮き彫りにした。
論文 参考訳（メタデータ） (2024-05-16T04:28:44Z) - Synthetic Medical Imaging Generation with Generative Adversarial Networks For Plain Radiographs [34.98319691651471]
本研究の目的は、再利用可能なオープンソースの合成画像生成パイプラインであるGAN画像合成ツール(GIST)を開発することである。
このパイプラインは、特定の患者に関連付けられていない高品質な合成画像データを生成することによって、デジタルヘルス空間におけるAIアルゴリズムの改善と標準化を支援する。
論文 参考訳（メタデータ） (2024-03-28T02:51:33Z) - On the notion of Hallucinations from the lens of Bias and Validity in
Synthetic CXR Images [0.35998666903987897]
拡散モデルのような生成モデルは、データ品質と臨床情報の格差を軽減することを目的としている。
スタンフォード大学の研究者たちは、医療画像データ拡張のための微調整された安定拡散モデル(RoentGen)の有用性を探求した。
我々はRoentGenを利用してChest-XRay(CXR)画像を生成し、バイアス、妥当性、幻覚の評価を行った。
論文 参考訳（メタデータ） (2023-12-12T04:41:20Z) - Radiology Report Generation Using Transformers Conditioned with
Non-imaging Data [55.17268696112258]
本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。
提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
論文 参考訳（メタデータ） (2023-11-18T14:52:26Z) - Aligning Synthetic Medical Images with Clinical Knowledge using Human
Feedback [22.390670838355295]
本稿では,臨床応用可能な合成医用画像を作成するための病理医用ループフレームワークを提案する。
人間のフィードバックは, 画像の忠実度, 多様性, 下流での実用性, 信頼性を, 専門家によって評価され, 画像の質を著しく向上させることを示した。
論文 参考訳（メタデータ） (2023-06-16T21:54:20Z) - Bi-parametric prostate MR image synthesis using pathology and
sequence-conditioned stable diffusion [3.290987481767681]
テキストに条件付けされた多列前立腺MR画像のための画像合成機構を提案する。
我々は、ペア化されたデータに条件付けされた画像に条件付けされたペア化されたバイパラメトリック画像を生成する。
前立腺癌を疑う症例の2次元画像スライスを用いて本法の有効性を検証した。
論文 参考訳（メタデータ） (2023-03-03T17:24:39Z) - Variational Knowledge Distillation for Disease Classification in Chest
X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。
提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文 参考訳（メタデータ） (2021-03-19T14:13:56Z) - Review of Artificial Intelligence Techniques in Imaging Data
Acquisition, Segmentation and Diagnosis for COVID-19 [71.41929762209328]
新型コロナウイルス感染症(COVID-19)のパンデミックは世界中に広がっている。
X線やCT(Computerd Tomography)などの医用画像は、世界的な新型コロナウイルス対策に欠かせない役割を担っている。
最近登場した人工知能(AI)技術は、画像ツールの力を強化し、医療専門家を支援する。
論文 参考訳（メタデータ） (2020-04-06T15:21:34Z)
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。