論文の概要: Interpretable AI plus Handheld, Portable Retinal Photographs: A Low-Cost Glaucoma Screening Solution for West Africa

• arxiv url: http://arxiv.org/abs/2609.25697v1
• Date: Tue, 22 Sep 2026 05:02:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.230082
• Title: Interpretable AI plus Handheld, Portable Retinal Photographs: A Low-Cost Glaucoma Screening Solution for West Africa
• Title（参考訳）: 解釈可能なAIとハンドヘルドでポータブルな網膜写真:西アフリカにおける低コスト緑内障スクリーニングソリューション
• Abstract要約: ナイジェリアの681人の参加者(1,362人の目)を対象にした地域調査データを用いた。 安価なハンドヘルドでポータブルなVolk Viva網膜カメラとCanon CR-2-AFテーブルトップカメラを使用して、ファンダス写真が取得された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Purpose: To develop and evaluate an interpretable artificial intelligence (AI) framework for glaucoma screening from low-cost portable, handheld retinal fundus photographs in a West African population and to compare its performance with clinical tabletop fundus imaging. Methods: We used data from a community-based study of 681 participants (1,362 eyes) in Nigeria, comprising 414 glaucoma, 478 glaucoma suspect, and 470 non-glaucoma eyes. Fundus photographs were acquired using the low-cost handheld, portable Volk Viva retinal camera and the Canon CR-2-AF tabletop camera. We fine-tuned component models separately to each device to perform vessel segmentation, cup and disc boundary segmentation, and feature extraction to detect optic nerve head features. A final classification model combined these components to classify scans as glaucoma, glaucoma suspect or non-glaucoma. Feature-weight analysis and Gradient-weighted Class Activation Mapping were used for interpretation. Results: The models performed well on both Volk Viva and Canon CR-2-AF images: Vessel segmentation: 0.98 Dice Coefficient (DC) (Volk) and 0.94 DC (Canon); Cup and disc segmentation: 0.95 DC (Volk) and 0.96 DC (Canon); Optic nerve head feature detection: area under the receiver operating characteristic curve (AUCs) of 0.83$\pm$0.03 (Volk) and 0.87$\pm$0.04 (Canon); Classification model: AUCs of 0.85$\pm$0.01 (Volk) and 0.93$\pm$0.01 (Canon). Reports for each image, present model decision confidence scores and decision-rationale visualizations to support clinical interpretation. Conclusions: Volk Viva results were reasonably comparable to Canon CR-2-AF in the component models and not far behind in classification. This shows that interpretable AI combined with low-cost, portable imaging may enhance community-level glaucoma screening, especially in settings with limited specialist access and resources.
• Abstract（参考訳）: 目的:西アフリカ地域の安価な携帯型手持ち網膜眼底写真から緑内障をスクリーニングするための解釈可能な人工知能(AI)フレームワークの開発と評価を行い、その性能を臨床用テーブルトップ眼底画像と比較する。 方法: ナイジェリアの681名(眼1,362名)を対象に, 緑内障414名, 緑内障478名, 非緑内障470名を対象に調査を行った。 安価なハンドヘルドでポータブルなVolk Viva網膜カメラとCanon CR-2-AFテーブルトップカメラを使用して、ファンダス写真が取得された。 我々は、各デバイスに個別に部品モデルを微調整し、血管のセグメンテーション、カップとディスクの境界セグメンテーション、および特徴抽出を行い、視神経頭部の特徴を検出する。 最終分類モデルはこれらの成分を組み合わせて、スキャンを緑内障、緑内障の被疑者、非緑内障に分類した。 特徴量解析と勾配重み付きクラス活性化マッピングを解釈に用いた。 結果:Volk VivaとCanon CR-2-AFの両画像で良好な結果を得た: 容器のセグメンテーション: 0.98 Dice Coefficient (DC) (Volk) と 0.94 DC (Canon) カップとディスクのセグメンテーション: 0.95 DC (Volk) と 0.96 DC (Canon) 視神経頭部特徴検出: 受信部操作特性曲線: 0.83$\pm$0.03 (Volk) と 0.87$\pm$0.04 (Canon) 分類モデル: 0.85$\pm$0.01 (Volk) と 0.93$\pm$0.01 (Canon) である。 各画像の報告、モデル決定信頼性スコア、臨床解釈を支援するための意思決定視覚化。 結論: Volk Viva の結果はコンポーネントモデルでは Canon CR-2-AF に相当し、分類ではそれほど遅れなかった。 これは、低コストでポータブルな画像と組み合わせた解釈可能なAIが、特に限られた専門的アクセスとリソースを持つ環境で、コミュニティレベルの緑内障スクリーニングを強化する可能性があることを示している。

関連論文リスト

• Complementary Roles of Image Classification and Vessel Segmentation in AI-Based Screening for Retinopathy of Prematurity Plus Disease in a Kenyan Preterm Cohort [0.0]
  未熟児網膜症(ROP)は小児期失明の予防可能な原因である。 網膜血管拡張とトルトゥシティーを特徴とするプラス疾患は治療を誘発するが、主観的かつ変動的である。 自動スクリーニングは専門家の範囲を広げる可能性があるが、アフリカ人の証拠は限られている。
  論文  参考訳（メタデータ） (2026-07-07T04:40:16Z)
• Coronary Artery Segmentation and Vessel-Type Classification in X-Ray Angiography [0.0]
  低コントラスト, 運動, 前向き, 重なり, カテーテルが脱グレード血管セグメンテーションを呈した。 RCAは98.5%(Dice 0.844)、LADは95.4%(0.786)、LCXは96.2%(0.794)である。
  論文  参考訳（メタデータ） (2026-01-24T11:56:49Z)
• Explainable Deep Learning for Cataract Detection in Retinal Images: A Dual-Eye and Knowledge Distillation Approach [0.0]
  白内障は世界中で視覚障害の主な原因となっている。 眼疾患認識データセットを用いた白内障分類のためのディープラーニングパイプラインを提案する。 トップパフォーマンスモデルのSwin-Base Transformerは98.58%の精度でF1スコアは0.9836である。
  論文  参考訳（メタデータ） (2025-09-20T07:28:56Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Improving Nonalcoholic Fatty Liver Disease Classification Performance With Latent Diffusion Models [0.0]
  拡散モデルを用いて生成した合成画像と実画像を組み合わせることで,非アルコール性脂肪性肝疾患分類性能を向上させることができることを示す。 その結果,拡散生成画像では最大ISスコアが1.90ドル,GANが1.67ドル,FIDスコアが6.9.45ドル,GANが100.05ドルであった。
  論文  参考訳（メタデータ） (2023-07-13T01:14:08Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Vision Transformers for femur fracture classification [59.99241204074268]
  Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。 史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
  論文  参考訳（メタデータ） (2021-08-07T10:12:42Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• SCREENet: A Multi-view Deep Convolutional Neural Network for Classification of High-resolution Synthetic Mammographic Screening Scans [3.8137985834223502]
  本研究では,高分解能合成マンモグラム解析のための多視点深層学習手法の開発と評価を行う。 画像解像度とトレーニングセットサイズが精度に与える影響を評価する。
  論文  参考訳（メタデータ） (2020-09-18T00:12:33Z)

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。