論文の概要: Scaling Artificial Intelligence for Prostate Cancer Detection on MRI towards Population-Based Screening and Primary Diagnosis in a Global, Multiethnic Population (Study Protocol)
- arxiv url: http://arxiv.org/abs/2508.03762v1
- Date: Mon, 04 Aug 2025 15:39:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.375784
- Title: Scaling Artificial Intelligence for Prostate Cancer Detection on MRI towards Population-Based Screening and Primary Diagnosis in a Global, Multiethnic Population (Study Protocol)
- Title（参考訳）: グローバル多民族集団におけるMRI前立腺癌検診と一次診断のための人工知能のスケーリング(研究プロトコル)
- Authors: Anindo Saha, Joeran S. Bosma, Jasper J. Twilt, Alexander B. C. D. Ng, Aqua Asif, Kirti Magudia, Peder Larson, Qinglin Xie, Xiaodong Zhang, Chi Pham Minh, Samuel N. Gitau, Ivo G. Schoots, Martijn F. Boomsma, Renato Cuocolo, Nikolaos Papanikolaou, Daniele Regge, Derya Yakar, Mattijs Elschot, Jeroen Veltman, Baris Turkbey, Nancy A. Obuchowski, Jurgen J. Fütterer, Anwar R. Padhani, Hashim U. Ahmed, Tobias Nordström, Martin Eklund, Veeru Kasivisvanathan, Maarten de Rooij, Henkjan Huisman,
- Abstract要約: 我々はMRIでGleasonグレードグループ$geq$2前立腺癌を検出するためにPI-CAI-2Bモデルを訓練・外部検証した。
22,481件のMRI検査のうち、20,471件(19,278件)が2つのEUホライゾンプロジェクトのトレーニングと内部検査に使用されている。
第一のエンドポイントは、医療診断の標準と一致したAIベースの評価の割合である。
- 参考スコア（独自算出の注目度）: 26.540072704737394
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this intercontinental, confirmatory study, we include a retrospective cohort of 22,481 MRI examinations (21,288 patients; 46 cities in 22 countries) to train and externally validate the PI-CAI-2B model, i.e., an efficient, next-generation iteration of the state-of-the-art AI system that was developed for detecting Gleason grade group $\geq$2 prostate cancer on MRI during the PI-CAI study. Of these examinations, 20,471 cases (19,278 patients; 26 cities in 14 countries) from two EU Horizon projects (ProCAncer-I, COMFORT) and 12 independent centers based in Europe, North America, Asia and Africa, are used for training and internal testing. Additionally, 2010 cases (2010 patients; 20 external cities in 12 countries) from population-based screening (STHLM3-MRI, IP1-PROSTAGRAM trials) and primary diagnostic settings (PRIME trial) based in Europe, North and South Americas, Asia and Australia, are used for external testing. Primary endpoint is the proportion of AI-based assessments in agreement with the standard of care diagnoses (i.e., clinical assessments made by expert uropathologists on histopathology, if available, or at least two expert urogenital radiologists in consensus; with access to patient history and peer consultation) in the detection of Gleason grade group $\geq$2 prostate cancer within the external testing cohorts. Our statistical analysis plan is prespecified with a hypothesis of diagnostic interchangeability to the standard of care at the PI-RADS $\geq$3 (primary diagnosis) or $\geq$4 (screening) cut-off, considering an absolute margin of 0.05 and reader estimates derived from the PI-CAI observer study (62 radiologists reading 400 cases). Secondary measures comprise the area under the receiver operating characteristic curve (AUROC) of the AI system stratified by imaging quality, patient age and patient ethnicity to identify underlying biases (if any).
- Abstract（参考訳）: In this intercontinental, confirmedatory study, include a retrospective cohort of 22,481 MRI examinations (21,288 patients, 46 cities in 22 countries) to training and externally validation the PI-CAI-2B model, i。
これらの検査のうち、ヨーロッパ、北アメリカ、アジア、アフリカに拠点を置く2つのEUホライゾンプロジェクト(ProCAncer-I、COMFORT)から20,471人(19,278人、14か国26都市)と12の独立センターで、トレーニングと内部テストに使用されている。
また、2010年(2010年)には、人口ベーススクリーニング(STHLM3-MRI、IP1-PROSTAGRAM試験)およびヨーロッパ、北米、南アメリカ、アジア、オーストラリアに拠点を置くプライマリ診断設定(PRIME試験)から、2010年(2010年)の症例(12か国20都市)が外的検査に使用されている。
第一のエンドポイントは、グリーソングレードグループ$\geq$2前立腺がんの検出におけるAIに基づく評価の比率(つまり、もし利用可能であれば、専門の超音波病理医が病理組織学で行う臨床評価)である。
PI-RADS $\geq$3(プライマリ診断)または$\geq$4(スクリーニング)カットオフにおいて,絶対マージン0.05,PI-CAIオブザーバスタディ(400例の放射線技師62名)を考慮し,診断の相違性の仮説を予め検討した。
第2の尺度は、画像品質、患者年齢、患者民族によって階層化されたAIシステムの受信者動作特性曲線(AUROC)の下の領域を構成し、基礎となるバイアス(もしあれば)を特定する。
関連論文リスト
- An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [58.78045864541539]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - Machine Learning-Based Analysis of ECG and PCG Signals for Rheumatic Heart Disease Detection: A Scoping Review (2015-2025) [0.0]
AIを利用した聴診器はリウマチ性心疾患(RHD)のスクリーニングに有望な代替手段を提供する
早期発見は不可欠だが、ゴールド標準ツールであるエコー心電図は、コストと労働力の制約により、低リソース環境ではアクセスできない。
本稿では, 心電図 (ECG) と心電図 (PCG) データを解析する機械学習アプリケーションについて系統的に検討する。
論文 参考訳（メタデータ） (2025-05-17T11:34:02Z) - AI-assisted prostate cancer detection and localisation on biparametric MR by classifying radiologist-positives [5.75804178993065]
本稿では,がん診断の総合的精度を向上させるためのディープラーニングモデルを提案する。
一つのボクセルレベルの分類モデルを構築し、単純なパーセンテージ閾値で正のケースを判定する。
2つの臨床データから得られた実験から,提案手法が診断精度を向上させることを示す。
論文 参考訳（メタデータ） (2024-10-30T14:59:57Z) - AI Workflow, External Validation, and Development in Eye Disease Diagnosis [5.940140611616894]
AIは診断精度が保証されるが、臨床および多様な集団の検証が不十分なため、現実の応用問題に直面している。
本研究は、年齢関連黄斑変性(AMD)診断と分類重症度に関するケーススタディを通じて、医療用AIの下流アカウンタビリティのギャップに対処する。
論文 参考訳（メタデータ） (2024-09-23T15:01:09Z) - Artificial Intelligence in Ovarian Cancer Histopathology: A Systematic
Review [1.832300121391956]
方法: PubMed, Scopus, Web of Science, CENTRAL, WHO-ICTRPの検索を行った。
PROBASTを用いてバイアスのリスクを評価した。
37の診断モデル、22の予後モデル、21の診断関連結果を含む80の関心モデルがあった。
すべてのモデルが全体として偏見のリスクが高いか、あるいは不明確であることが判明し、ほとんどの研究は分析において偏見のリスクが高いことが判明した。
論文 参考訳（メタデータ） (2023-03-31T12:26:29Z) - Evaluate underdiagnosis and overdiagnosis bias of deep learning model on
primary open-angle glaucoma diagnosis in under-served patient populations [64.91773761529183]
原発性オープンアングル緑内障(POAG)はアメリカにおける盲目の主要な原因である。
深層学習は眼底画像を用いたPOAGの検出に広く用いられている。
臨床診断における人間のバイアスは、広く使われているディープラーニングモデルに反映され増幅される可能性がある。
論文 参考訳（メタデータ） (2023-01-26T18:53:09Z) - Enhancing Early Lung Cancer Detection on Chest Radiographs with
AI-assistance: A Multi-Reader Study [0.08384911110020841]
本研究は、臨床医が肺がんを同定する能力を胸部X線(CXR)に増強する上で、市販のAIアルゴリズムが与える影響について検討した。
臨床医によるAIアルゴリズムの使用により、肺腫瘍検出の全体的なパフォーマンスが改善された。
論文 参考訳（メタデータ） (2022-08-31T09:46:21Z) - 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) - COVID-Net US: A Tailored, Highly Efficient, Self-Attention Deep
Convolutional Neural Network Design for Detection of COVID-19 Patient Cases
from Point-of-care Ultrasound Imaging [101.27276001592101]
我々は,肺POCUS画像からの新型コロナウイルススクリーニングに適した,高効率で自己注意型の深層畳み込みニューラルネットワーク設計であるCOVID-Net USを紹介した。
実験の結果、提案されたCOVID-Net USは、アーキテクチャの複雑さが353倍、計算の複雑さが62倍、Raspberry Piで14.3倍高速なAUCを達成できることがわかった。
リソース制約のある環境において安価な医療と人工知能を提唱するために、COVID-Net USをオープンソースにし、COVID-Netオープンソースイニシアチブの一部として公開しました。
論文 参考訳（メタデータ） (2021-08-05T16:47:33Z) - Clinical prediction system of complications among COVID-19 patients: a
development and validation retrospective multicentre study [0.3569980414613667]
2020年4月1日から4月30日までにUAEのアブダビ(AD)で18施設に入院した3,352人の患者から収集したデータを用いた。
最初の24時間に収集されたデータを用いて、機械学習ベースの予後システムは、入院中に7つの合併症を発生させるリスクを予測する。
このシステムは、すべての合併症と両方の領域にわたって良好な精度を達成する。
論文 参考訳（メタデータ） (2020-11-28T18:16:23Z) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳（メタデータ） (2020-04-04T21:21:44Z) - Mapping the Landscape of Artificial Intelligence Applications against
COVID-19 [59.30734371401316]
世界保健機関(WHO)は、SARS-CoV-2ウイルスによる新型コロナウイルスの感染をパンデミックと宣言した。
我々は、機械学習と、より広範に、人工知能を用いた最近の研究の概要を、新型コロナウイルス危機の多くの側面に取り組むために提示する。
論文 参考訳（メタデータ） (2020-03-25T12:30:33Z)
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。