論文の概要: A Clinician-Friendly Platform for Ophthalmic Image Analysis Without Technical Barriers
- arxiv url: http://arxiv.org/abs/2504.15928v2
- Date: Fri, 23 May 2025 17:03:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-26 15:51:02.959965
- Title: A Clinician-Friendly Platform for Ophthalmic Image Analysis Without Technical Barriers
- Title（参考訳）: 技術的障壁のない眼科画像解析のための臨床用プラットフォーム
- Authors: Meng Wang, Tian Lin, Qingshan Hou, Aidi Lin, Jingcheng Wang, Qingsheng Peng, Truong X. Nguyen, Danqi Fang, Ke Zou, Ting Xu, Cancan Xue, Ten Cheer Quek, Qinkai Yu, Minxin Liu, Hui Zhou, Zixuan Xiao, Guiqin He, Huiyu Liang, Tingkun Shi, Man Chen, Linna Liu, Yuanyuan Peng, Lianyu Wang, Qiuming Hu, Junhong Chen, Zhenhua Zhang, Cheng Chen, Yitian Zhao, Dianbo Liu, Jianhua Wu, Xinjian Chen, Changqing Zhang, Triet Thanh Nguyen, Yanda Meng, Yalin Zheng, Yih Chung Tham, Carol Y. Cheung, Huazhu Fu, Haoyu Chen, Ching-Yu Cheng,
- Abstract要約: GlobeReadyはクリニックフレンドリーなAIプラットフォームで、再トレーニング、微調整、技術専門知識の必要性なしに、基礎疾患の診断を可能にする。
光コヒーレンス・トモグラフィー(OCT)スキャンを用いて、カラー・ファンドス写真(CPF)を用いた11のファンドス病(93.9-98.5%)と15のファンドス病(87.2-92.7%)の精度を示した。
トレーニングなしのローカル機能拡張を活用することで、GlobeReadyプラットフォームは、センターや人口間のドメインシフトを効果的に軽減する。
- 参考スコア（独自算出の注目度）: 51.45596445363302
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Artificial intelligence (AI) shows remarkable potential in medical imaging diagnostics, yet most current models require retraining when applied across different clinical settings, limiting their scalability. We introduce GlobeReady, a clinician-friendly AI platform that enables fundus disease diagnosis that operates without retraining, fine-tuning, or the needs for technical expertise. GlobeReady demonstrates high accuracy across imaging modalities: 93.9-98.5% for 11 fundus diseases using color fundus photographs (CPFs) and 87.2-92.7% for 15 fundus diseases using optic coherence tomography (OCT) scans. By leveraging training-free local feature augmentation, GlobeReady platform effectively mitigates domain shifts across centers and populations, achieving accuracies of 88.9-97.4% across five centers on average in China, 86.3-96.9% in Vietnam, and 73.4-91.0% in Singapore, and 90.2-98.9% in the UK. Incorporating a bulit-in confidence-quantifiable diagnostic mechanism further enhances the platform's accuracy to 94.9-99.4% with CFPs and 88.2-96.2% with OCT, while enabling identification of out-of-distribution cases with 86.3% accuracy across 49 common and rare fundus diseases using CFPs, and 90.6% accuracy across 13 diseases using OCT. Clinicians from countries rated GlobeReady highly for usability and clinical relevance (average score 4.6/5). These findings demonstrate GlobeReady's robustness, generalizability and potential to support global ophthalmic care without technical barriers.
- Abstract（参考訳）: 人工知能(AI)は、医療画像診断において顕著な可能性を示しているが、現在のほとんどのモデルは、異なる臨床環境にまたがって適用する際に再トレーニングを必要とし、スケーラビリティを制限している。
われわれはGlobeReadyを紹介した。GlobeReadyは臨床に親しみやすいAIプラットフォームで、再トレーニング、微調整、あるいは専門知識の必要性なしに機能する基礎疾患の診断を可能にする。
93.9-98.5%はカラー・ファンドス写真(CPF)を用いた11のファンドス病で、87.2-92.7%は光学コヒーレンス・トモグラフィー(OCT)による15のファンドス病である。
トレーニングなしのローカル機能拡張を活用することで、GlobeReadyプラットフォームは、中国における平均5つのセンターで88.9-97.4%、ベトナムでは86.3-96.9%、シンガポールでは73.4-91.0%、イギリスでは90.2-98.9%というドメインシフトを効果的に緩和する。
ブライトインの信頼性定量診断機構を組み込むことで、CFPの94.9-99.4%、OCTの88.2-96.2%の精度でプラットフォームの精度が向上し、OCTの13の疾患の86.3%の分布外症例を、CFPの49の一般的および稀なファンドス病で86.3%、OCTの90.6%の精度で識別できるようになった。
各国の臨床医はGlobeReadyを高いユーザビリティと臨床関連性(平均スコア4.6/5)で評価した。
以上の結果から,GlobeReadyの堅牢性,一般化性,および国際的眼科ケアを技術的障壁なく支援できる可能性が示唆された。
関連論文リスト
- Diabetic Retinopathy Detection Based on Convolutional Neural Networks with SMOTE and CLAHE Techniques Applied to Fundus Images [0.0]
糖尿病網膜症 (DR) は糖尿病患者の眼の合併症の一つである。
本研究の目的は,DRの診断における人工知能(AI)の精度を評価することである。
論文 参考訳（メタデータ） (2025-04-08T05:38:53Z) - A Multi-Modal AI System for Screening Mammography: Integrating 2D and 3D Imaging to Improve Breast Cancer Detection in a Prospective Clinical Study [2.9992821862882546]
偽陽性のリコールは乳がん検診において依然として懸念されている。
我々は,マルチモーダルな人工知能システムを開発し,全フィールドデジタルマンモグラフィーと合成マンモグラフィーを統合した。
約50万の試験でトレーニングされた私たちのAIシステムは、内部テストセットで0.945 AUROCを達成しました。
論文 参考訳（メタデータ） (2025-04-08T03:29:40Z) - Congenital Heart Disease Classification Using Phonocardiograms: A Scalable Screening Tool for Diverse Environments [34.10187730651477]
先天性心疾患(CHD)は早期発見を必要とする重要な疾患である。
本研究では, 心電図(PCG)信号を用いたCHD検出のための深層学習モデルを提案する。
バングラデシュの一次データセットを含むいくつかのデータセットで、我々のモデルを評価した。
論文 参考訳（メタデータ） (2025-03-28T05:47:44Z) - Self-Supervised Radiograph Anatomical Region Classification -- How Clean Is Your Real-World Data? [10.5757425746568]
本研究は,48,434個の骨格X線撮影データから,14個の解剖学的領域のクラスを割り当てる自己教師手法の有効性を示した。
我々は,1つのモデルで96.6%,97.7%の線形評価精度をアンサンブルアプローチで達成した。
論文 参考訳（メタデータ） (2024-12-20T15:07:55Z) - Empowering Tuberculosis Screening with Explainable Self-Supervised Deep Neural Networks [66.59360534642579]
結核は、特に資源に制限された人口や遠隔地において、世界的な健康危機として存続している。
本研究では,結核症例検診に適した自己指導型自己学習ネットワークを提案する。
ネットワーク全体の精度は98.14%で、それぞれ95.72%と99.44%という高いリコール率と精度を示している。
論文 参考訳（メタデータ） (2024-06-19T18:10:06Z) - Uncertainty-inspired Open Set Learning for Retinal Anomaly
Identification [71.06194656633447]
9つの網膜条件の基底像をトレーニングし,不確実性に着想を得たオープンセット(UIOS)モデルを構築した。
しきい値戦略を持つUIOSモデルはF1スコア99.55%、97.01%、91.91%を達成した。
UIOSは、高い不確実性スコアを正しく予測し、非ターゲットの網膜疾患、低品質の眼底画像、および非基本画像のデータセットを手動でチェックする必要があることを示唆した。
論文 参考訳（メタデータ） (2023-04-08T10:47:41Z) - ACAT: Adversarial Counterfactual Attention for Classification and
Detection in Medical Imaging [41.202147558260336]
画像特徴を異なるスケールで変調するソフト空間アテンションマスクを得るために,サリエンシマップを用いたフレームワークを提案する。
ACATは、脳CTスキャンの病変の基準分類精度を71.39%から72.55%に引き上げ、肺CTスキャンの新型コロナウイルス関連所見を67.71%から70.84%に引き上げた。
論文 参考訳（メタデータ） (2023-03-27T17:43:57Z) - 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) - 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) - A Multi-resolution Model for Histopathology Image Classification and
Localization with Multiple Instance Learning [9.36505887990307]
精度マップを利用して不審な地域を検知し,詳細なグレード予測を行うマルチレゾリューション・マルチインスタンス学習モデルを提案する。
このモデルは、830人の患者から20,229のスライドを含む大規模前立腺生検データセットに基づいて開発された。
このモデルは92.7%の精度、良性、低等級(中等級)、高等級(中等級)のCohen's Kappa、98.2%の受信機動作特性曲線(AUROC)、平均精度(AP)97.4%の予測を達成した。
論文 参考訳（メタデータ） (2020-11-05T06:42:39Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z)
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。