論文の概要: Autonomous Reporting of Normal Chest X-rays by Artificial Intelligence in the United Kingdom. Can We Take the Human Out of the Loop?
- arxiv url: http://arxiv.org/abs/2509.13428v1
- Date: Tue, 16 Sep 2025 18:07:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-18 18:41:50.606203
- Title: Autonomous Reporting of Normal Chest X-rays by Artificial Intelligence in the United Kingdom. Can We Take the Human Out of the Loop?
- Title（参考訳）: 英国における正常胸部X線の人工知能による自律的報告
- Authors: Katrina Nash, James Vaz, Ahmed Maiter, Christopher Johns, Nicholas Woznitza, Aditya Kale, Abdala Espinosa Morgado, Rhidian Bramley, Mark Hall, David Lowe, Alex Novak, Sarim Ather,
- Abstract要約: 本稿では,通常のCXRの自律型AIレポートの実現可能性と意義について検討する。
主な課題は、正常の定義、集団間の一般可能性の確保、感度-特異性トレードオフの管理である。
さらなる考察として、実践への影響、市場後の堅牢な監視の必要性、患者視点の取り入れなどが挙げられる。
- 参考スコア（独自算出の注目度）: 0.04249976684063889
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Chest X-rays (CXRs) are the most commonly performed imaging investigation. In the UK, many centres experience reporting delays due to radiologist workforce shortages. Artificial intelligence (AI) tools capable of distinguishing normal from abnormal CXRs have emerged as a potential solution. If normal CXRs could be safely identified and reported without human input, a substantial portion of radiology workload could be reduced. This article examines the feasibility and implications of autonomous AI reporting of normal CXRs. Key issues include defining normal, ensuring generalisability across populations, and managing the sensitivity-specificity trade-off. It also addresses legal and regulatory challenges, such as compliance with IR(ME)R and GDPR, and the lack accountability frameworks for errors. Further considerations include the impact on radiologists practice, the need for robust post-market surveillance, and incorporation of patient perspectives. While the benefits are clear, adoption must be cautious.
- Abstract（参考訳）: 胸部X線(胸部X線、CXR)は、最も一般的な画像検査である。
英国では、多くのセンターが放射線学者の労働力不足による報告の遅れを経験している。
通常のCXRと異常なCXRを区別できる人工知能(AI)ツールが潜在的な解決策として登場した。
通常のCXRを人間の入力なしで安全に識別し、報告できれば、放射線学の作業負荷のかなりの部分を削減することができる。
本稿では,通常のCXRの自律型AIレポートの実現可能性と意義について検討する。
主な課題は、正常の定義、集団間の一般可能性の確保、感度-特異性トレードオフの管理である。
また、IR(ME)RやGDPRへの準拠、エラーに対する説明責任フレームワークの欠如など、法的および規制上の課題にも対処している。
さらなる考察として、放射線科医の実践への影響、市場後の堅牢な監視の必要性、患者視点の取り入れなどが挙げられる。
メリットは明確ですが、採用には慎重でなければなりません。
関連論文リスト
- Beyond the First Read: AI-Assisted Perceptual Error Detection in Chest Radiography Accounting for Interobserver Variability [3.32947201358052]
本稿では,ポスト解釈コンパニオンシステムであるRADARを紹介する。
RADARは放射線学のアノテーションとCXRの画像を取り込み、地域レベルの分析を行う。
RADARのリコールは0.78、精度は0.44、F1のスコアは0.56であった。
論文 参考訳（メタデータ） (2025-06-16T02:36:38Z) - CheXalign: Preference fine-tuning in chest X-ray interpretation models without human feedback [10.826651024680169]
放射線科医は、医療画像を実行可能なレポートに翻訳する上で重要な役割を担っている。
放射線学における現在の視覚言語モデル(VLM)のほとんどは、教師付き微調整のみに依存している。
胸部X線ラジオグラフィーレポート生成(RRG)に着目した選好フィードバックのための自動パイプラインを提案する。
我々の最高のパフォーマンス設定は、RRGタスクのMIMIC-CXRデータセット上で最先端のCheXbertスコアを達成します。
論文 参考訳（メタデータ） (2024-10-09T16:07:11Z) - 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) - Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。
X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。
画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文 参考訳（メタデータ） (2023-05-26T07:12:35Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - Contrastive Attention for Automatic Chest X-ray Report Generation [124.60087367316531]
ほとんどの場合、正常領域が胸部X線像全体を支配し、これらの正常領域の対応する記述が最終報告を支配している。
本稿では,現在の入力画像と通常の画像を比較してコントラスト情報を抽出するContrastive Attention(CA)モデルを提案する。
2つの公開データセットで最先端の結果を得る。
論文 参考訳（メタデータ） (2021-06-13T11:20:31Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - Deep Learning for Distinguishing Normal versus Abnormal Chest
Radiographs and Generalization to Unseen Diseases [7.93382570661604]
我々は,CXRを正常または異常と分類するAIシステムを開発し,評価した。
以上の結果から,AIシステムは新たな患者数と異常に一般化することが示唆された。
論文 参考訳（メタデータ） (2020-10-22T01:52:51Z) - 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)
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。