論文の概要: Multi-Centre Validation of a Deep Learning Model for Scoliosis Assessment

• arxiv url: http://arxiv.org/abs/2507.14093v1
• Date: Fri, 18 Jul 2025 17:21:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.37321
• Title: Multi-Centre Validation of a Deep Learning Model for Scoliosis Assessment
• Title（参考訳）: スコリオーシス評価のための深層学習モデルの多中心検証
• Authors: Šimon Kubov, Simon Klíčník, Jakub Dandár, Zdeněk Straka, Karolína Kvaková, Daniel Kvak,
• Abstract要約: 完全自動化深層学習ソフトウェア(Carebot AI Bones, Spine Measurement, Carebot s.r.o)の多施設共同評価を行った。 立位後背部X線写真103例について検討した。 2人の筋骨格ラジオストがそれぞれの研究を独立に測定し、参考読者として機能した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scoliosis affects roughly 2 to 4 percent of adolescents, and treatment decisions depend on precise Cobb angle measurement. Manual assessment is time consuming and subject to inter observer variation. We conducted a retrospective, multi centre evaluation of a fully automated deep learning software (Carebot AI Bones, Spine Measurement functionality; Carebot s.r.o.) on 103 standing anteroposterior whole spine radiographs collected from ten hospitals. Two musculoskeletal radiologists independently measured each study and served as reference readers. Agreement between the AI and each radiologist was assessed with Bland Altman analysis, mean absolute error (MAE), root mean squared error (RMSE), Pearson correlation coefficient, and Cohen kappa for four grade severity classification. Against Radiologist 1 the AI achieved an MAE of 3.89 degrees (RMSE 4.77 degrees) with a bias of 0.70 degrees and limits of agreement from minus 8.59 to plus 9.99 degrees. Against Radiologist 2 the AI achieved an MAE of 3.90 degrees (RMSE 5.68 degrees) with a bias of 2.14 degrees and limits from minus 8.23 to plus 12.50 degrees. Pearson correlations were r equals 0.906 and r equals 0.880 (inter reader r equals 0.928), while Cohen kappa for severity grading reached 0.51 and 0.64 (inter reader kappa 0.59). These results demonstrate that the proposed software reproduces expert level Cobb angle measurements and categorical grading across multiple centres, suggesting its utility for streamlining scoliosis reporting and triage in clinical workflows.
• Abstract（参考訳）: スコリオーシスは青年期の約2%から4%に影響を及ぼし、治療の決定は正確なコブ角の測定に依存する。 手動による評価は時間がかかり、観察者間の変動が生じる。 当院では, 完全自動化深層学習ソフトウェア(Carebot AI Bones, Spine Measurement feature, Carebot s.r.o.)を, 10病院から収集した立位後背部X線写真103点を対象に, 多施設共同評価を行った。 2人の筋骨格ラジオストがそれぞれの研究を独立に測定し、参考読者として機能した。 平均絶対誤差 (MAE) , ルート平均二乗誤差 (RMSE) , ピアソン相関係数 (Pearson correlation coefficient) , コーエンカッパ (Cohen kappa) を4次重度分類で評価した。 放射線学者1に対して、AIは3.89度(RMSE 4.77度)のMAEを達成し、バイアスは0.70度、合意の限界は8.59度から9.99度となった。 放射線学者2に対して、AIは3.90度(RMSE 5.68度)のMAEを達成し、バイアスは2.14度、限界は8.23度から12.50度に制限された。 ピアソン相関はrが0.906、rが0.880(インターリーダーrが0.928)、Cohen Kappaが0.51、0.64(インターリーダーKappa 0.59)であった。 以上の結果から,提案ソフトウェアは,複数のセンターにまたがる専門家レベルのコブ角測定とカテゴリーグレーディングを再現し,臨床ワークフローにおけるスコリアス報告とトリアージの合理化に有用であることが示唆された。

関連論文リスト

• Deep Radiomics Detection of Clinically Significant Prostate Cancer on Multicenter MRI: Initial Comparison to PI-RADS Assessment [0.0]
  本研究は,2010年から2020年の間に取得した4つのデータセットから615例(平均年齢63.1+/-7歳)のバイパラメトリック(T2WおよびDW)前立腺MRI配列を分析した。 深部放射線学の機械学習モデルは, 病変レベルではなく, csPCa検出において, PI-RADSアセスメントに匹敵する性能を示した。
  論文  参考訳（メタデータ） (2024-10-21T17:41:58Z)
• Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification [12.25110399510034]
  本研究は,肝硬変腹水患者と卵巣癌患者の造影CT,非造影CTを施行した。 このモデルはThe Cancer Genome Atlas Ovarian Cancer data (平均年齢60歳+/-11[s.d.]; 143女)で訓練された。 その性能はDice係数,標準偏差,95%信頼区間で測定され,腹腔内腹水量に着目した。
  論文  参考訳（メタデータ） (2024-06-23T01:32:53Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Deep learning automates Cobb angle measurement compared with multi-expert observers [3.7153471185088427]
  コブ角 (Cobb angle) は、傾斜した椎骨間の曲率を測定する、広く使われているスコリシス定量法である。 我々は、Cobb角を正確に測定し、これらの測定をはっきりと視覚化する完全に自動化されたソフトウェアを作成しました。 このソフトウェアは、ディープニューラルネットワークに基づく脊髄領域の検出とセグメンテーション、脊髄中心の同定を統合し、最も傾いた脊椎をピンポイントする。
  論文  参考訳（メタデータ） (2024-03-18T15:43:45Z)
• Can Deep Learning Reliably Recognize Abnormality Patterns on Chest X-rays? A Multi-Reader Study Examining One Month of AI Implementation in Everyday Radiology Clinical Practice [0.0]
  胸部X線上の7種類の放射線学的所見を検出・局所化するための深層学習に基づく自動検出アルゴリズム(DLAD)を開発した。 提案したDLADは高感度(ATE 1.000 (0.624-1.000), CON 0.864 (0.671-0.956), EFF 0.953 (0.887-0.983), LES 0.905 (0.715-0.978), SCE 1.000 (0.366-1.000), CMG 0.837 (0.711-0.917), PNO 0.875 (0.538-0.986)を実現した。 本研究の結果から,提案したDLADが日常生活への統合の可能性を秘めていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-05-17T10:43:50Z)
• Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
  視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
  論文  参考訳（メタデータ） (2023-03-03T12:05:41Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Classification of Multiple Diseases on Body CT Scans using Weakly Supervised Deep Learning [7.287303475865695]
  ルールベースのアルゴリズムを用いて、12,092人の患者から13,667体のCTスキャンから19,225の疾患ラベルを抽出した。 各臓器について、3次元の畳み込みニューラルネットワークは、全15のラベルで4つの共通疾患に対して明らかな疾患を分類しなかった。 結果: 抽出したラベルの手動検証により, 15種類のラベルで91%から99%の精度が確認された。
  論文  参考訳（メタデータ） (2020-08-03T19:55:53Z)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)
• Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
  19,993症例から36,316巻の胸部CTデータセットを収集,解析した。 自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。 胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
  論文  参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。