論文の概要: Detecting Glaucoma Across Multi-ethnic Myopic and Non-Myopic Populations Using an Uncertainty-Aware Vision Transformer: A Multicentre Model Development and Validation Study

• arxiv url: http://arxiv.org/abs/2609.29433v2
• Date: Fri, 25 Sep 2026 03:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.055203
• Title: Detecting Glaucoma Across Multi-ethnic Myopic and Non-Myopic Populations Using an Uncertainty-Aware Vision Transformer: A Multicentre Model Development and Validation Study
• Title（参考訳）: 不確実性認識型視覚変換器を用いた多民族性近視・非明視集団における緑内障の検出 : 多中心モデルの開発と検証研究
• Abstract要約: 緑内障検出のためのビジョントランスフォーマーを用いたディープラーニングモデルの開発と検証を行った。 モデルは3大陸にわたる16の独立したデータセットで検証された。 筋緑内障は筋緑内障および非筋緑内障の多民族で検出された。
• 参考スコア（独自算出の注目度）: 19.734422351994997
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Artificial intelligence (AI)-based glaucoma detection from colour fundus photographs (CFP) offers scalable screening, but performance may decline on external datasets because of differences in ground-truth definitions, populations, and coexisting conditions such as high myopia (HM). We developed and validated a Vision Transformer-based deep learning (DL) model for glaucoma detection across multi-ethnic cohorts with and without HM. Methods: A ViT-B/16 model with predictive uncertainty estimation was developed using 56,483 CFPs (57.1% with myopia; 14.4% with HM). Glaucoma labels were standardised using clinical, imaging, and perimetry data. The model was validated on 16 independent datasets across three continents, including four datasets with explicit HM labels. Findings: Internal AUROC was 98.7% (95% CI 98.2-99.1%), with sensitivity 94.5% and specificity 97.3%. Across 16 external datasets from eight countries, AUROCs ranged from 86.4% to 99.6%. In HM eyes, internal AUROC was 97.8% (95% CI 96.1-99.2%), with sensitivity 94.8% and specificity 93.7%. External HM AUROCs were 86.5% in the Beijing Eye Study and 93.3%, 91.8%, and 85.5% in hospital-based datasets from Taiwan, Thailand, and South Korea. In an exploratory HM clinical evaluation, the model had higher CFP-only diagnostic accuracy than ophthalmologists and trained graders (92.0% vs 70.0%; p=0.008) and performed comparably to glaucoma specialists using full clinical information. Interpretation: The model showed robust glaucoma detection across myopic and non-myopic multi-ethnic populations and may support AI-assisted screening in settings with high HM prevalence.
• Abstract（参考訳）: 背景: 人工知能(AI)による色眼底写真(CFP)からの緑内障検出は、スケーラブルなスクリーニングを提供するが、基底構造の定義、人口、およびハイミオピア(HM)のような共存条件の違いにより、外部データセットのパフォーマンスは低下する可能性がある。 HMの有無に関わらず多民族コホートにまたがる緑内障検出のためのビジョントランスフォーマーを用いたディープラーニング(DL)モデルの開発と検証を行った。 方法:56,483個のCFP (57.1%が近視、14.4%がHM) を用いて予測不確かさを推定するViT-B/16モデルを開発した。 緑内障のラベルは臨床、画像、および腹腔鏡データを用いて標準化された。 このモデルは、明示的なHMラベルを持つ4つのデータセットを含む3大陸にわたる16の独立したデータセットで検証された。 内部のAUROCは98.7%(95% CI 98.2-99.1%)、感度94.5%、特異度97.3%である。 8カ国の16の外部データセットのうち、AUROCは86.4%から99.6%の範囲である。 HMでは、内部のAUROCは97.8%(95% CI 96.1-99.2%)、感度94.8%、特異度93.7%である。 北京アイスタディでは86.5%、台湾、タイ、韓国では93.3%、91.8%、病院ベースのデータセットでは85.5%であった。 HM臨床試験では, 眼科医や訓練中等生 (92.0% vs 70.0%; p=0.008) よりもCFPのみの診断精度が高く, 全臨床情報を用いて緑内障専門医に比較検討した。 解釈: このモデルでは, 筋緑内障と非筋緑内障の多民族間で堅牢な緑内障検出が可能であり, 高いHM有病率でAI支援スクリーニングをサポートする可能性がある。

関連論文リスト

• Auditable agentic AI for evidence-grounded thyroid ultrasound diagnosis and reporting [59.709162055944915]
  ThyroidXAgentは、特殊な診断ツールをコーディネートし、その出力を監査可能なケースレベルの証拠記録として保存するエージェントAIシステムである。 NHC-MISD-TUSコホート内35施設8,721件を含む,重複しない28,458件の検査を行った。 セグメンテーションでは平均Diceスコアが87.21パーセント、良悪性分類では平均AUROCが0.9466だった。
  論文  参考訳（メタデータ） (2026-08-12T21:02:59Z)
• Validating a Deep Learning Algorithm to Identify Patients with Glaucoma using Systemic Electronic Health Records [0.0]
  緑内障リスクアセスメント(GRA)モデルを用いて,全米国全国データを用いて緑内障リスクアセスメント(GRA)モデルを用いて,緑内障のリスクの高い患者を識別できるかどうかを検討した。 プレトレーニングされたGRAモデルは、スタンフォードコホートで微調整され、人口統計学、全身診断、医薬品、実験結果、および身体検査測定を用いて、ホールドアウトセットでテストされた。
  論文  参考訳（メタデータ） (2026-04-22T05:07:20Z)
• A Clinician-Friendly Platform for Ophthalmic Image Analysis Without Technical Barriers [51.45596445363302]
  GlobeReadyはクリニックフレンドリーなAIプラットフォームで、再トレーニング、微調整、技術専門知識の必要性なしに、基礎疾患の診断を可能にする。 光コヒーレンス・トモグラフィー(OCT)スキャンを用いて、カラー・ファンドス写真(CPF)を用いた11のファンドス病(93.9-98.5%)と15のファンドス病(87.2-92.7%)の精度を示した。 トレーニングなしのローカル機能拡張を活用することで、GlobeReadyプラットフォームは、センターや人口間のドメインシフトを効果的に軽減する。
  論文  参考訳（メタデータ） (2025-04-22T14:17:22Z)
• Medical Hallucinations in Foundation Models and Their Impact on Healthcare [71.15392179084428]
  基礎モデルの幻覚は自己回帰訓練の目的から生じる。 トップパフォーマンスモデルは、チェーン・オブ・シークレット・プロンプトで強化された場合、97%の精度を達成した。
  論文  参考訳（メタデータ） (2025-02-26T02:30:44Z)
• Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
  我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。 4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。 一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
  論文  参考訳（メタデータ） (2024-08-30T08:57:04Z)
• 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)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。