論文の概要: A Clinician-Centered Pipeline for Annotation and Evaluation in Ultrasound AI Studies

• arxiv url: http://arxiv.org/abs/2606.19174v1
• Date: Wed, 17 Jun 2026 15:16:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.234719
• Title: A Clinician-Centered Pipeline for Annotation and Evaluation in Ultrasound AI Studies
• Title（参考訳）: 超音波AI研究における注釈と評価のための臨床中心パイプライン
• Abstract要約: 臨床中心評価は、超音波画像における医療AIシステムの検証に重要である。 本稿では,AI研究におけるリモートアノテーションと評価のための臨床中心パイプラインを提案する。 本研究は, 専門医, 一般医, 非専門医の6名を対象に, 胎児超音波セグメンテーションにおけるパイプラインの検証を行った。
• 参考スコア（独自算出の注目度）: 7.054049114534503
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Clinician-centered evaluation is critical for validating medical AI systems, especially in ultrasound imaging where quantitative metrics do not always capture clinical usability. Existing medical image platforms primarily focus on dataset labeling. They lack integrated support for blinded model comparison and reproducible evaluation workflows. We present a clinician-centered pipeline for remote annotation and evaluation in ultrasound AI studies. The proposed pipeline uses a centralized server and lightweight browser interfaces to enable clinicians to perform annotation, blinded ranking, and review without local dataset downloads. The pipeline also supports multi-rater participation, centralized result aggregation, and automated statistical analysis. We validate the pipeline in a fetal ultrasound segmentation study with six raters spanning expert, generalist, and non-expert experience levels. The system automatically generated Spearman correlation, Kendall's $τ$, and top-1 selection statistics. Results indicated moderate to strong agreement across experts and other groups. The blinded evaluation results showed a tendency for later active learning models to be preferred. These outcomes suggest that the pipeline can support clinician-centered annotation and reproducible human-\ac{AI} evaluation studies in ultrasound imaging. The proposed pipeline is available on \href{https://github.com/13204942/SonoRate}{GitHub}.
• Abstract（参考訳）: 臨床中心評価は、医用AIシステム、特に定量的な測定値が臨床使用性を常に捉えるとは限らない超音波画像の検証に重要である。 既存の医療画像プラットフォームは主にデータセットのラベル付けに重点を置いている。 ブラインドモデルの比較と再現可能な評価ワークフローを統合的にサポートしていない。 超音波AI研究における遠隔アノテーションと評価のための臨床中心パイプラインを提案する。 提案したパイプラインは、集中型サーバと軽量なブラウザインターフェースを使用して、臨床医がローカルデータセットのダウンロードなしでアノテーション、ブラインドランキング、レビューを実行できるようにする。 パイプラインはマルチレイタ参加、集中的な結果集約、自動統計分析もサポートする。 本研究は, 専門医, 一般医, 非専門医の6名を対象に, 胎児超音波セグメンテーションにおけるパイプラインの検証を行った。 このシステムは自動的にスピアマン相関、ケンドールの$τ$、トップ1選択統計を生成。 その結果、専門家と他のグループの間で中程度から強い合意が得られた。 ブラインド評価の結果は、後続の活発な学習モデルが好まれる傾向を示した。 これらの結果から,このパイプラインは超音波画像診断における臨床中心のアノテーションと再現可能なヒト-\ac{AI}評価研究をサポートすることが示唆された。 提案されたパイプラインは \href{https://github.com/13204942/SonoRate}{GitHub} で公開されている。

関連論文リスト

• Echo-α: Large Agentic Multimodal Reasoning Model for Ultrasound Interpretation [76.6507710204181]
  超音波解釈のためのエージェント型マルチモーダル推論モデルであるEcho-を提案する。 Echo-は臓器固有の検出出力を調整し、それらをグローバルな視覚的コンテキストに統合し、その結果の証拠を根拠となる診断決定に変換するように訓練されている。 以上の結果から, エージェントによるマルチモーダル推論は, 特定検出器を検証可能な臨床証拠にすることができることが示唆された。
  論文  参考訳（メタデータ） (2026-04-30T15:31:00Z)
• A Novel end-to-end Digital Health System Using Deep Learning-based ECG Analysis [1.8665030569912726]
  AI-HEART(AI-HEART)は、長期心電図(ECG)の記録を管理し分析するためのクラウドベースの情報システムである。 システムは、複数日間の3段階のECGを取り込み、入力を正規化し、信号前処理を行い、ディープニューラルネットワークを使用して波のデライン化、ノイズ/品質検出、ビートレベルとリズムレベルの不整脈分類を行う。
  論文  参考訳（メタデータ） (2026-02-28T17:29:37Z)
• EchoAgent: Guideline-Centric Reasoning Agent for Echocardiography Measurement and Interpretation [23.197431495208672]
  EchoAgentは、心エコービデオ解析のための構造化、解釈可能な自動化を可能にするフレームワークである。 LLM(Large Language Model)コントロールの下で特殊な視覚ツールを編成し、時間的局所化、空間計測、臨床解釈を行う。 時間的ビデオ解析の複雑さが増したにもかかわらず、正確で解釈可能な結果が得られる。
  論文  参考訳（メタデータ） (2025-11-17T22:06:12Z)
• A Fully Open and Generalizable Foundation Model for Ultrasound Clinical Applications [77.3888788549565]
  一般臨床用超音波基礎モデルであるEchoCareについて紹介する。 我々は、キュレートされた、一般公開された大規模なデータセットであるEchoCareData上で、自己教師付き学習を通じてEchoCareを開発した。 最小限のトレーニングで、EchoCareは10の代表的なベンチマークで最先端の比較モデルを上回っている。
  論文  参考訳（メタデータ） (2025-09-15T10:05:31Z)
• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• Determining Fetal Orientations From Blind Sweep Ultrasound Video [1.3456699275044242]
  この作品は、自動化された胎児の嘘予測を導入し、それを置き換えるのではなく、ソノグラフィーの専門知識を強化する補助パラダイムを提案することで、自分自身を区別している。 今後の研究は、取得効率の向上と、ワークフローを改善するためのリアルタイム臨床統合と、産科医のサポートに焦点をあてる。
  論文  参考訳（メタデータ） (2025-04-09T12:51:15Z)
• Interpretable Multimodal Learning for Cardiovascular Hemodynamics Assessment [5.854275745400326]
  肺動脈圧 (PAWP) は心不全の診断に必須の指標である。 本稿では,PAWPマーカーを予測するマルチモーダル学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-04-06T19:42:25Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Show from Tell: Audio-Visual Modelling in Clinical Settings [58.88175583465277]
  臨床環境でのオーディオ・ビジュアル・モデリングを考察し、人間の専門的アノテーションを使わずに医学的表現を学習するためのソリューションを提供する。 この目的のために, 単純かつ効果的なマルチモーダル自己教師型学習フレームワークを提案する。 提案手法は,音声のみを基準として,超音波画像中の解剖学的関心領域をローカライズすることができる。
  論文  参考訳（メタデータ） (2023-10-25T08:55:48Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Development and evaluation of intraoperative ultrasound segmentation with negative image frames and multiple observer labels [0.17159130619349347]
  セグメンテーションネットワークに先立って,プレスクリーン分類ネットワークの有用性を評価する。 従来提案されていたランダムサンプリングとコンセンサスラベルを組み合わせたアプローチは,本アプリケーションでよく機能するために適応する必要がある可能性があることを実験的に示す。
  論文  参考訳（メタデータ） (2021-07-28T12:15:49Z)

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。