論文の概要: Interpretable Artificial Intelligence for Detecting Acute Heart Failure on Acute Chest CT Scans

• arxiv url: http://arxiv.org/abs/2507.08952v1
• Date: Fri, 11 Jul 2025 18:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:21.959282
• Title: Interpretable Artificial Intelligence for Detecting Acute Heart Failure on Acute Chest CT Scans
• Title（参考訳）: 急性胸部CTスキャンにおける急性心不全検出のための解釈可能な人工知能
• Authors: Silas Nyboe Ørting, Kristina Miger, Anne Sophie Overgaard Olesen, Mikael Ploug Boesen, Michael Brun Andersen, Jens Petersen, Olav W. Nielsen, Marleen de Bruijne,
• Abstract要約: 胸部CT検査は、急性心不全(AHF)が重要な鑑別診断であるジスキニー病患者にますます用いられる。 胸部CTにおけるAHFの放射線学的徴候を胸部X線検査に匹敵する精度で検出する,説明可能なAIモデルの開発を目指している。
• 参考スコア（独自算出の注目度）: 2.2192473101240764
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Introduction: Chest CT scans are increasingly used in dyspneic patients where acute heart failure (AHF) is a key differential diagnosis. Interpretation remains challenging and radiology reports are frequently delayed due to a radiologist shortage, although flagging such information for emergency physicians would have therapeutic implication. Artificial intelligence (AI) can be a complementary tool to enhance the diagnostic precision. We aim to develop an explainable AI model to detect radiological signs of AHF in chest CT with an accuracy comparable to thoracic radiologists. Methods: A single-center, retrospective study during 2016-2021 at Copenhagen University Hospital - Bispebjerg and Frederiksberg, Denmark. A Boosted Trees model was trained to predict AHF based on measurements of segmented cardiac and pulmonary structures from acute thoracic CT scans. Diagnostic labels for training and testing were extracted from radiology reports. Structures were segmented with TotalSegmentator. Shapley Additive explanations values were used to explain the impact of each measurement on the final prediction. Results: Of the 4,672 subjects, 49% were female. The final model incorporated twelve key features of AHF and achieved an area under the ROC of 0.87 on the independent test set. Expert radiologist review of model misclassifications found that 24 out of 64 (38%) false positives and 24 out of 61 (39%) false negatives were actually correct model predictions, with the errors originating from inaccuracies in the initial radiology reports. Conclusion: We developed an explainable AI model with strong discriminatory performance, comparable to thoracic radiologists. The AI model's stepwise, transparent predictions may support decision-making.
• Abstract（参考訳）: 紹介:胸部CTは、急性心不全(AHF)が重要な鑑別診断であるジスキニー病患者にますます用いられる。 解釈は依然として困難であり、放射線医の不足により放射線学の報告は頻繁に遅れるが、救急医にそのような情報を通知することは治療上の意味を持つ。 人工知能(AI)は、診断精度を高めるための補完的なツールである。 胸部CTにおけるAHFの放射線学的徴候を胸部X線検査に匹敵する精度で検出する,説明可能なAIモデルの開発を目指している。 方法:2016-2021年にデンマークのコペンハーゲン大学病院 (Bipebjerg) とフレデリクスベルク (Frederiksberg) で行われた単一センターの振り返り研究。 急性胸部CTによる心肺・肺の分画構造の測定に基づいてAHFを予測するために,Boosted Treesモデルが訓練された。 放射線検査報告から診断ラベルを抽出した。 構造はTotalSegmentatorで分割された。 各測定値が最終予測に与える影響を説明するために,シェープな付加的な説明値が用いられた。 結果:4,672名中49%が女性であった。 最終モデルはAHFの12つの重要な特徴を取り入れ、独立したテストセットで0.87のLOCの領域を達成した。 モデル誤分類に関する専門家の放射線学者のレビューでは、64例中24例(38%)、61例中24例(39%)が実際に正しいモデル予測であった。 結論: 胸部放射線科医に匹敵する, 強い識別能力を持つ説明可能なAIモデルを開発した。 AIモデルのステップワイズで透明な予測は意思決定をサポートする可能性がある。

関連論文リスト

• CT Radiomics-Based Explainable Machine Learning Model for Accurate Differentiation of Malignant and Benign Endometrial Tumors: A Two-Center Study [13.471659080928823]
  子宮内膜癌(EC)患者の悪性度と良性度を診断するためのCTラジオミクスを用いた説明可能な機械学習モデルを開発した。 モデルの診断性能は,感度,特異性,精度,精度,F1スコア,混乱行列,ROC曲線を用いて評価した。 ランダムフォレストモデルは、トレーニングAUCが1.00、テストAUCが0.96で、ECの診断に最適な選択として登場した。
  論文  参考訳（メタデータ） (2025-06-22T17:31:06Z)
• ChatRadio-Valuer: A Chat Large Language Model for Generalizable Radiology Report Generation Based on Multi-institution and Multi-system Data [115.0747462486285]
  ChatRadio-Valuerは、一般化可能な表現を学習する自動放射線学レポート生成のための調整されたモデルである。 本研究で利用した臨床データセットは,textbf332,673の顕著な総計を含む。 ChatRadio-Valuerは、最先端のモデル、特にChatGPT(GPT-3.5-Turbo)やGPT-4などより一貫して優れている。
  論文  参考訳（メタデータ） (2023-10-08T17:23:17Z)
• Robustness of an Artificial Intelligence Solution for Diagnosis of Normal Chest X-Rays [0.0]
  正常胸部X線(CXR)の診断におけるAIソリューションの有用性について検討した。 合計4,060個のCXRがサンプリングされ、NHS患者とケア設定の多様なデータセットが表現された。
  論文  参考訳（メタデータ） (2022-08-31T09:54:24Z)
• AI-based software for lung nodule detection in chest X-rays -- Time for a second reader approach? [0.0]
  日本放射線技術学会データベースを解析した。 AIモード -- 自動化とアシスト -- は、平均的な感度向上を生み出した。 どちらのAIモードも、放射線技師が見逃した肺結節をかなりの数の症例でフラグ付けした。
  論文  参考訳（メタデータ） (2022-06-22T08:35:04Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• 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)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Automated Radiological Report Generation For Chest X-Rays With Weakly-Supervised End-to-End Deep Learning [17.315387269810426]
  我々は12,000以上のCXRスキャンと放射線学的レポートを含むデータベースを構築した。 我々は,深層畳み込みニューラルネットワークとアテンション機構を持つリカレントネットワークに基づくモデルを開発した。 このモデルは、与えられたスキャンを自動的に認識し、レポートを生成する。
  論文  参考訳（メタデータ） (2020-06-18T08:12:54Z)
• 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)
• A neural network model that learns differences in diagnosis strategies among radiologists has an improved area under the curve for aneurysm status classification in magnetic resonance angiography image series [0.0]
  この振り返り研究には、3423の飛行時間脳磁気共鳴血管造影画像シリーズが含まれていた。 画像は4人の検診医の1人によって、動脈瘤のステータスのために独立して読み上げられた。 構築した神経回路は, 動脈瘤領域を0から5に分類するために訓練された。
  論文  参考訳（メタデータ） (2020-02-03T19:19:57Z)

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。